BrainTorrent : Un environnement pair-à-pair pour un apprentissage fédéré décentralisé

L'accès à des données annotées suffisantes est un défi commun dans l'entraînement de réseaux neuronaux profonds sur des images médicales. Comme l'annotation des données est coûteuse et chronophage, il est difficile pour un centre médical individuel d'atteindre des tailles d'échantillon suffisamment grandes pour construire ses propres modèles personnalisés. En alternative, les données de tous les centres pourraient être regroupées pour entraîner un modèle centralisé que tout le monde peut utiliser. Cependant, cette stratégie est souvent infaisable en raison de la nature sensible à la vie privée des données médicales. Récemment, l'apprentissage fédéré (FL) a été introduit pour apprendre collaborativement un modèle de prédiction partagé entre les centres sans avoir besoin de partager des données. Dans le FL, les clients entraînent des modèles localement sur des ensembles de données spécifiques au site pendant quelques époques, puis partagent leurs poids de modèle avec un serveur central qui orchestre le processus d'entraînement global. Il est important de noter que le partage de modèles ne compromet pas la vie privée des patients. Un inconvénient du FL est la dépendance à un serveur central, ce qui nécessite que tous les clients s'accordent sur un corps central de confiance, et dont la défaillance perturberait le processus d'entraînement de tous les clients. Dans cet article, nous introduisons BrainTorrent, un nouveau cadre de FL sans serveur central, particulièrement ciblé vers les applications médicales. BrainTorrent présente un environnement pair-à-pair hautement dynamique, où tous les centres interagissent directement entre eux sans dépendre d'un corps central. Nous démontrons l'efficacité globale du FL pour la tâche difficile de segmentation cérébrale complète et observons que l'approche BrainTorrent sans serveur proposée non seulement surpasse l'approche traditionnelle basée sur serveur, mais atteint une performance similaire à un modèle entraîné sur des données regroupées.