ABD’nin önde gelen tıp merkezleri ve araştırma enstitülerinden bir uzmanlar komitesi, tümör segmentasyonu için yapay zeka modellerini eğitmek amacıyla federatif öğrenme ve yapay zeka destekli anotasyonun etkisini değerlendirmek için NVIDIA destekli federatif öğrenmeyi kullanıyor.

Federatif öğrenme, veri güvenliğini veya gizliliğini tehlikeye atmadan çeşitli veri kaynaklarından elde edilen veriler üzerinde eğitilmiş, daha doğru ve genellenebilir yapay zeka modelleri geliştirmek için kullanılan bir tekniktir. Bu yöntem, birçok kuruluşun hassas verilerin sunucularından ayrılmadan bir yapay zeka modeli geliştirmek üzere iş birliği yapmasına olanak tanır.

“Veri gizliliği ve veri yönetimi kısıtlamaları nedeniyle, bir siteden diğerine veri paylaşmak ve bunları tek bir yerde toplamak giderek daha karmaşık hale geliyor. Görüntüleme yapay zekası ise araştırma enstitüleri veri paylaşım sözleşmeleri yapmadan daha hızlı gelişiyor,” diyor Wisconsin Üniversitesi-Madison’da radyoloji doçenti olan John Garrett. “Federatif öğrenmeyi benimseyerek aynı anda birden fazla yerde modeller oluşturmak ve test etmek, pratik olarak ilerlemenin tek yolu. Bu vazgeçilmez bir araç.”

Garrett, SIIM (Görüntüleme Bilişimi ve Tıp Derneği) Makine Öğrenme Araçları ve Araştırma Alt Komitesinin bir parçası olup, tıbbi görüntüleme için yapay zekanın geliştirilmesi ve uygulanmasını ilerletmeyi amaçlayan bir grup klinisyen, araştırmacı ve mühendisle çalışmaktadır. NVIDIA, SIIM’in bir üyesi olup, 2019’dan beri federatif öğrenme projeleri üzerinde komite ile iş birliği yapmaktadır.

“Federatif öğrenme teknikleri, GDPR, HIPAA ve diğerleri gibi gizlilik düzenlemelerine uyumlu olarak veri gizliliği ve güvenliğini artırır,” diyor komite başkanı Khaled Younis. “Ayrıca model doğruluğu ve genelleme yeteneğinde iyileşme görüyoruz.”

Son projelerini desteklemek için ekip, Case Western, Georgetown Üniversitesi, Mayo Clinic, California Üniversitesi, San Diego, Florida Üniversitesi ve Vanderbilt Üniversitesi’nden işbirlikçilerle birlikte, gelişmiş gizlilik koruma teknikleri ve esnek bir sistem mimarisine sahip, açık kaynaklı bir çerçeve olan NVIDIA FLARE (NVFlare) kullanıyor.

NVIDIA Akademik Hibe Programı aracılığıyla komite, federatif öğrenme çalışmaları için araştırma enstitülerine dağıtılan dört NVIDIA RTX A5000 GPU aldı. Ek işbirlikçiler bulut ve yerinde sunucularda NVIDIA GPU’larını kullanarak NVFlare’in esnekliğini vurguladı.

Federatif Öğrenmenin Şifresini Çözmek Projeye katılan altı tıp merkezi, böbrek kanserinin bir türü olan renal hücreli karsinom üzerine odaklanan yaklaşık 50 tıbbi görüntüleme çalışmasından veri sağladı.

“Federatif öğrenmenin amacı, eğitim sırasında verileri değil, modeli değiştirmektir,” diyor Vanderbilt Üniversitesi’nde bilgisayar bilimi doçenti ve Biyomedikal Veri Temsili ve Öğrenme Laboratuvarı direktörü Yuankai Huo.

Bir federatif öğrenme çerçevesinde, başlangıçtaki küresel model, model parametrelerini istemci sunucularına yayınlar. Her sunucu, bu parametreleri kullanarak, kuruluşun özel verileri üzerinde eğitilen modelin yerel bir versiyonunu oluşturur. Daha sonra, her bir yerel modelden güncellenen parametreler küresel modele geri gönderilir ve burada yeni bir küresel model üretmek için birleştirilir. Bu döngü, modelin tahminleri her eğitim turunda artık iyileşmeyene kadar tekrarlanır.

Grup, eğitim hızı, doğruluk ve modele istenen hassasiyeti kazandırmak için gerekli olan görüntüleme çalışmaları sayısı açısından optimize etmek için model mimarileri ve hiperparametrelerle deneyler yaptı.

NVIDIA MONAI ile Yapay Zeka Destekli Anotasyon Projenin ilk aşamasında model için kullanılan eğitim verileri manuel olarak etiketlendi. Bir sonraki aşamada, ekip, geleneksel anotasyon yöntemlerine kıyasla yapay zeka yardımıyla bölümlenmiş eğitim verileriyle model performansının nasıl farklılık gösterdiğini değerlendirmek için yapay zeka destekli anotasyon için NVIDIA MONAI kullanıyor.

“Federatif öğrenme faaliyetlerindeki en büyük zorluk, genellikle farklı sitelerdeki verilerin çok fazla uniform olmamasıdır. İnsanlar farklı görüntüleme ekipmanları kullanır, farklı protokollere sahiptir ve verilerini sadece farklı şekilde etiketler,” diyor Garrett. “Federatif öğrenme modelini MONAI ekleyerek ikinci kez eğiterek, genel anotasyon doğruluğunun iyileşip iyileşmediğini bulmayı amaçlıyoruz.”

Ekip, yeni veri setleri oluşturmak için gereken zaman ve çabayı azaltan, kullanıcıların özel yapay zeka anotasyon uygulamaları geliştirmesine olanak tanıyan bir görüntü etiketleme aracı olan MONAI Label kullanıyor. Uzmanlar, model eğitiminde kullanılmadan önce yapay zeka tarafından oluşturulan segmentasyonları doğrulayıp iyileştirecekler.

Hem manuel hem de yapay zeka destekli anotasyon aşamaları için veriler, NVIDIA MONAI’yi entegre eden Flywheel adlı lider bir tıbbi görüntüleme veri ve yapay zeka platformunda barındırılmaktadır.

Proje tamamlandığında ekip, tıp alanında yapılacak gelecekteki çalışmaları desteklemek amacıyla metodolojilerini, anotasyonlu veri setlerini ve önceden eğitilmiş modellerini yayımlamayı planlıyor.

“Sadece bu araçları keşfetmekle ilgilenmiyoruz,” diyor Garrett, “aynı zamanda çalışmalarımızı yayımlayarak başkalarının öğrenmesini ve bu araçları tıp alanında kullanmasını sağlamayı da amaçlıyoruz.”

NVIDIA Akademik Hibe Başvurusu Yapın NVIDIA Akademik Hibe Programı, araştırmacılara dünya çapında bilgi işlem erişimi ve kaynaklar sağlayarak akademik araştırmaları ilerletir. Şu anda, simülasyon ve modelleme, üretken yapay zeka ve büyük dil modelleri projelerini hızlandırmak için NVIDIA teknolojisini kullanan akredite akademik kurumların tam zamanlı öğretim üyeleri için başvurular açıktır.

Gelecekteki başvuru döngüleri, veri bilimi, grafik ve görüntüleme ile federatif öğrenme de dahil olmak üzere kenar yapay zeka projelerine odaklanacaktır.