Dezentrales föderiertes Lernen für Gesundheitsnetzwerke: Eine Fallstudie zur Tumorsegmentierung

Intelligente Gesundheitsversorgung basiert auf Funktionen der künstlichen Intelligenz (KI) zum Lernen und zur Analyse von Patientendaten. Da große und vielfältige Datensätze zum Training von Machine-Learning (ML)-Modellen in einzelnen medizinischen Zentren selten zu finden sind, erfordert klassische zentralisierte KI, dass datenschutzempfindliche Daten von medizinischen Institutionen in Rechenzentren übertragen werden, die die zusammengeführten Informationen verarbeiten. Das Training in Rechenzentren erfordert somit höhere Kommunikationsressourcen/Energieaufwendungen und verletzt die Privatsphäre. Dies wird heute als ein erheblicher Engpass bei der Verfolgung wissenschaftlicher Zusammenarbeit über transnationale klinische Forschungszentren angesehen. In letzter Zeit hat sich föderiertes Lernen (FL) als ein verteilter KI-Ansatz herauskristallisiert, der das kooperative Training von ML-Modellen ermöglicht, ohne Patientendaten teilen zu müssen. Dieses Papier beschäftigt sich mit der Analyse verschiedener FL-Methoden und schlägt ein Echtzeit-verteiltes Netzwerkframework basierend auf dem Message Queuing Telemetry Transport (MQTT)-Protokoll vor. Insbesondere gestalten wir eine Reihe von Lösungen für ML über Netzwerke, die auf FL-Tools beruhen, die auf einem Parameterserver (PS) und vollständig dezentralisierten Paradigmen basieren, die durch Konsensmethoden betrieben werden. Der vorgeschlagene Ansatz wird im Kontext der Segmentierung von Hirntumoren validiert, wobei eine modifizierte Version des beliebten U-NET-Modells mit repräsentativen klinischen Datensätzen verwendet wird, die aus dem täglichen klinischen Arbeitsablauf stammen. Der FL-Prozess wird auf mehreren physisch getrennten Maschinen in verschiedenen Ländern implementiert, die über das Internet kommunizieren. Der Echtzeit-Testbed wird verwendet, um Messungen der Trainingsgenauigkeit im Vergleich zu Latenztrade-offs zu erhalten und um wichtige Betriebsbedingungen hervorzuheben, die die Leistung in realen Einsätzen beeinflussen.