為促進醫(yī)學研究、保護數(shù)據(jù)隱私以及改善患者腦腫瘤識別結果，英偉達（NVIDIA）攜手倫敦國王學院（King’s College London）在2019年10月14日發(fā)布了首個用于醫(yī)學影像分析且具有隱私保護能力的聯(lián)邦學習系統(tǒng)（federated learning system），標志著在醫(yī)療健康AI領域實現(xiàn)了突破性進展。

該技術論文在MICCAI 2019大會召開期間發(fā)布——該會議于10月13日在中國深圳拉開帷幕，是全球最高端的醫(yī)學影像會議之一。英偉達與倫敦國王學院的研究人員介紹了該技術的實施細節(jié)。

聯(lián)邦學習（federated learning）是一種能夠讓開發(fā)者與各企業(yè)機構利用分散在多個位置的訓練數(shù)據(jù)對中心深度神經(jīng)網(wǎng)絡（DNN）進行訓練的學習范式，該方法可以支持各企業(yè)機構針對共享模型開展協(xié)作，而無需共享任何臨床數(shù)據(jù)。

研究人員在論文中闡述道：“聯(lián)邦學習在無需共享患者數(shù)據(jù)的情況下，即可實現(xiàn)協(xié)作與分散化的神經(jīng)網(wǎng)絡訓練。各節(jié)點負責訓練其自身的本地模型，并定期提交給參數(shù)服務器。該服務器不斷累積并聚合各自的貢獻，進而創(chuàng)建一個全局模型，分享給所有節(jié)點�！�

研究人員解釋道，雖然聯(lián)邦學習可以保證極高的隱私安全性，但通過模型反演，仍可以設法使數(shù)據(jù)重現(xiàn)。為了幫助提高聯(lián)盟學習的安全性，研究人員研究試驗了使用ε－差分隱私框架的可行性。該框架是一種正式定義隱私損失的方法，該方法可以借助其強大的隱私保障性來保護患者與機構數(shù)據(jù)。

上述突破性試驗是基于取自BraTS 2018數(shù)據(jù)集的腦腫瘤分割數(shù)據(jù)實施的。BraTS 2018 數(shù)據(jù)集包含有285位腦腫瘤患者的MRI掃描結果。

該數(shù)據(jù)集旨在評估面向多模態(tài)與多級分割任務的聯(lián)邦學習算法。在客戶端一側，研究團隊改寫了一個原本用于數(shù)據(jù)集中式訓練的一流訓練管道，并將其用作NVIDIA Clara Train SDK的一部分。

此外，研究團隊還將NVIDIA V100 Tensor Core GPU用于訓練與推理。

相比于數(shù)據(jù)集中式系統(tǒng)，聯(lián)邦學習所提供的方法可以在不共享機構數(shù)據(jù)的情況下實現(xiàn)相當大的分割性能。此外，試驗結果顯示，隱私保護與受訓模型質量之間產(chǎn)生了自然折中。而且，通過使用稀疏向量技術，聯(lián)盟學習系統(tǒng)可以實現(xiàn)嚴格隱私保護，且對模型性能僅產(chǎn)生合理的輕微影響。

深度學習是一種從醫(yī)學數(shù)據(jù)中自動提取知識的強大技術。聯(lián)邦學習有望有效聚合各機構從私有數(shù)據(jù)中本地習得的知識，從而進一步提高深度模型的準確性、穩(wěn)健性與通用化能力。

此項研究為部署安全聯(lián)邦學習方面做出了巨大的推動，并將廣泛推動數(shù)據(jù)驅動型精準醫(yī)學的進步。