Дослідження технологій федеративного навчання нейронних мереж для розпізнавання медичних зображень

Abstract

Розвиток медичної візуалізації був обмежений нормативними вимогами щодо захисту приватності, які забороняють централізоване об’єднання даних між медичними установами, що, своєю чергою, стримує створення надійних генеративних моделей попри значний трансформаційний потенціал глибинного навчання у клінічній діагностиці. У цьому дослідженні запропоновано HealthFed-GAN — нову архітектуру федеративного навчання, яка поєднує генеративно-змагальні мережі з гомоморфним шифруванням для забезпечення конфіденційного синтезу медичних зображень і прогнозування захворювань між кількома медичними установами без порушення конфіденційності пацієнтів. Фреймворк було реалізовано для чотирьох змодельованих медичних клієнтів із використанням різнорідних модальностей зображень, зокрема МРТ (набір даних BraTS, n=369), рентгенівських знімків грудної клітки (ChestX-ray14, n=112 120; MIMIC-CXR, n=377 110) та КТ-сканів (n=6 000). Кожна установа незалежно навчала локальні мережі генератора й дискримінатора із застосуванням децентралізованих протоколів навчання. Передавання градієнтів під час циклів федеративної агрегації захищалося гомоморфним шифруванням Паєра. Якість синтезованих зображень оцінювалася за показниками SSIM (Structural Similarity Index), FID (Fréchet Inception Distance) та PSNR (Peak Signal-to-Noise Ratio), а точність прогнозування захворювань — за метриками класифікаційної ефективності. Модель HealthFed-GAN продемонструвала високі результати синтезу зображень із показником SSIM 0,91 та точність прогнозування захворювань 93,1 %, засвідчивши стійку ефективність на неоднорідно розподілених інституційних наборах даних і водночас збереження відповідності вимогам HIPAA завдяки криптографічно захищеній агрегації градієнтів. Запропонований підхід успішно розв’язує ключову проблему колективної розробки медичного штучного інтелекту, забезпечуючи можливість міжінституційного навчання генеративних моделей без обміну «сирими» даними та формуючи масштабований, орієнтований на збереження приватності підхід до федеративних застосувань штучного інтелекту в охороні здоров’я.