Разделённое обучение для совместного глубокого обучения в здравоохранении

Split Learning for collaborative deep learning in healthcare
Rajiv Gupta, Jayashree Kalpathy–Cramer, Ken Chang, Ramesh Raskar, Praneeth Vepakomma, Maarten G. Poirot
2019-12-27

рентгеновские снимки грудной клеткисовместное глубокое обучениераспределённое машинное обучениефотографии глазного днаклассификация медицинских изображенийраздельное обучение
Недостаток размеченных данных сдерживает развитие глубокого обучения в здравоохранении, поскольку размеры выборок часто невелики, информацией о пациентах нельзя открыто обмениваться, а многоцентровые совместные исследования трудно организовать. Методы распределённого машинного обучения позволяют смягчить эти проблемы. Мы предлагаем подход на основе разделённого обучения и впервые применяем этот метод распределённого обучения в медицинской области, чтобы сравнить его эффективность с (1) централизованной и (2) несотрудничающей конфигурациями при различном числе участников. Для сравнения разделённого обучения с традиционными одноцентровыми и многоцентровыми подходами используются две задачи глубокого обучения в медицине: задача бинарной классификации на наборе данных из 9 000 фотографий глазного дна и задача многометочной классификации на наборе данных из 156 535 рентгеновских снимков грудной клетки. Различные конфигурации распределённого обучения сравниваются для 1–50 распределённых участников. По сравнению с одноцентровым исследованием производительность конфигурации разделённого обучения оставалась постоянной независимо от числа клиентов, демонстрируя существенное отличие от несотрудничающей конфигурации после подключения 2 клиентов (p < 0,001) для обоих наборов данных. Наши результаты подтверждают преимущества совместного обучения глубоких нейронных сетей в здравоохранении. Данная работа демонстрирует существенные преимущества распределённого обучения в здравоохранении и открывает путь к его дальнейшему внедрению в реальных условиях.
1
При числе участников от 1 до 50 качество split learning оставалось сопоставимым с обучением в одном центре, несмотря на распределение процесса обучения.
2
После подключения двух клиентов split learning статистически значимо превосходил несотрудничающие конфигурации в обеих медицинских задачах (p < 0,001).
3
Метод оценивали на задаче бинарной классификации фотографий глазного дна и многометочной классификации рентгеновских снимков грудной клетки, содержащих 9 000 и 156 535 изображений соответственно.
4
Результаты подтверждают, что совместное распределённое обучение может смягчить проблемы ограниченного числа размеченных данных, требований к конфиденциальности и сложности многоцентровых исследований в здравоохранении.
5
В работе впервые применяется split learning — распределённый подход к глубокому обучению — для совместных исследований в сфере здравоохранения.

Совместное глубокое обучение в здравоохранении с использованием фотографий глазного дна и рентгеновских снимков грудной клетки

Производительность и масштабируемость распределённого обучения на основе split learning по сравнению с централизованными и несотрудничающими конфигурациями при различном числе участников

Publication Details
Publication Date
2019-12-27
Journal
Publisher
ISSN
Cited by
186
Access Type
Author Information
Authors
Rajiv Gupta
Jayashree Kalpathy–Cramer
Ken Chang
Ramesh Raskar
Praneeth Vepakomma
Maarten G. Poirot
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%