Медицинские изображения из разнообразных источников могут быть искажены в зависимости от расы пациента, оборудования и средств передачи данных. В итоги для некоторых групп населения такие данные будут искажены.
Эксперты Microsoft и ученые университета Британской Колумбии (Канада) разработали фреймворк Federated Learning with a Centralized Adversary (FELICIA). Решение позволит сторонам, например, медцентрам, взаимодействовать друг с другом и улучшать модели с сохранением конфиденциальности и распределенным обменом данными.
С помощью FELICIA предложено дублировать архитектуры дискриминатора и генератора «базовой GAN*» на другие пары компонентный генератор-дискриминатор. Дискриминатор конфиденциальности персональных данных выбран так, чтобы он был почти идентичен по конструкции иным дискриминаторам. При этом значительная часть действий по оптимизации посвящена обучению базовой GAN на базе всех обучающих данных для создания реалистичных, но синтетических изображений.
В ходе экспериментов разработчики смоделировали два медучреждения с разным количеством персонала и пациентов и задали строгие правила, запрещающие обмен изображениями, а также моделям, у которых есть доступ к изображениям.
При проверке возможностей FELICIA ученые задействовали датасет MNIST в создании высококачественных синтетических данных, даже если оба владельца данных имеют предвзятый охват. Разработчики проверили решение в условиях, когда в данных недостаточно представлен определенный тип изображения, задействовав в этом сложный датасет CIFAR10. Также FELICIA протестировали на базе открытого датасета медицинских изображений повреждений кожи.
По словам специалистов, результаты экспериментов подтвердили потенциал FELICIA для обширного применения в исследовательских учреждениях здравоохранения: к примеру, его можно использовать для улучшения диагностики или классификации изображений раковой патологии.
В будущем специалисты планируют внедрить FELECIA в GAN. Такая система сможет генерировать «очень сложные» медицинские изображения, такие как компьютерная томография, рентгеновские снимки и гистопатологические слайды в реальных условиях с учетом сторонних данных.
* GAN — генеративно-состязательная сеть — алгоритм машинного обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых генерирует образцы, а другая старается отличить правильные образцы от неправильных