- 2021-11-30 16:02
- 作者:佚名
- 来源:HC3i
NVIDIA通过开放软件开发套件NVIDIA FLARE(可帮助分散的各方协同开发更通用的AI模型)的源代码,使科研人员比以往更容易发挥联邦学习的优势。
联邦学习是一种隐私保护技术,在处理稀疏、保密或缺乏多样性的数据时特别有用。但它对于大型数据集也很有用,因为组织的数据采集方法或者患者或客户统计技术在处理此类数据集时可能会出现偏差。
NVIDIA FLARE(全称为Federated Learning Application Runtime Environment,联邦学习应用程序运行时环境)是NVIDIA Clara Train联邦学习软件的底层引擎,该软件已用于医学成像、基因分析、肿瘤学和新冠肺炎(COVID-19)研究中的AI应用程序。利用此SDK,科研人员和数据科学家可以使其现有的机器学习和深度学习工作流程适应分散工作范式。
提供NVIDIA FLARE的源代码可为科研人员和平台开发者带来更多工具来定制其联邦学习解决方案,从而更好地推动在各行各业中应用先进的AI技术。
利用此SDK,科研人员可以选择不同的联邦学习架构,并根据各个领域特有的应用来定制方法。平台开发者可以使用NVIDIA FLARE为客户提供构建多方协作应用程序所需的分布式基础设施。
适用于多个行业的灵活联邦学习架构
联邦学习参与者协同训练或评估AI模型,同时无需汇集或交换每个组的专有数据集。为实现这一点,NVIDIA FLARE提供了不同的分布式架构,包括点对点、循环式和服务器-客户端方法等。
通过使用服务器-客户端方法(每个参与者学习的模型参数均发送到公共服务器并聚合为一个全局模型),NVIDIA牵头开展了多个联邦学习项目,以帮助划分胰腺癌种类、对乳房X光检查中的乳房密度进行分类以告知乳腺癌风险,以及预测新冠肺炎患者的氧气需求。
在使用NVIDIA FLARE进行的两个联邦学习协作项目中也使用了服务器/客户端架构:NVIDIA与Roche Digital Pathology的科研人员合作,通过使用全视野数字切片进行分类成功完成内部仿真;以及与荷兰的Erasmus Medical Center合作开发AI应用程序,以识别与精神分裂症病例相关的基因变异。
不过,并非每个联邦学习应用程序都适用服务器-客户端方法。通过支持其他架构,NVIDIA FLARE将使联邦学习适用于更多种类的应用。潜在的用例包括:帮助能源公司分析地震和钻井数据,帮助制造商优化工厂运营,以及帮助金融公司改进欺诈检测模型。
NVIDIA FLARE与医疗健康AI平台相集成
NVIDIA FLARE可与现有的AI方案(包括适用于医学成像的开源MONAI框架)相集成。
哈佛医学院放射学副教授兼MONAI社区联邦学习工作组负责人Jayashree Kalapathy博士说:“提供NVIDIA FLARE源代码以加速联邦学习研究对于医疗健康领域尤为重要,因为在该领域中,对多机构数据集的访问至关重要,但对患者隐私的担忧可能会限制共享数据的能力。我们很兴奋能为NVIDIA FLARE贡献力量,并将继续与MONAI进行整合,推动医学成像研究工作向前发展。”
NVIDIA FLARE还将用于为以下组织的联邦学习解决方案提供支持:
●美国放射学会(ACR):该医学会与NVIDIA合作开展联邦学习研究,运用AI来分析乳腺癌放射学图像和研究新冠肺炎。它计划在ACR AI-LAB(供该学会成千上万会员使用的软件平台)中分发NVIDIA FLARE。
●Flywheel:该公司的Flywheel Exchange平台使用户能够访问和共享用于生物医学研究的数据和算法,管理联合的分析和训练项目,以及选择首选的联邦学习解决方案(包括NVIDIA FLARE)。
●台湾智慧云端服务公司:该公司提供GPU驱动的MLOps平台,使客户能够运行基于NVIDIA FLARE的联邦学习。目前有五个医学成像项目正在该公司的私有集群上进行,而且每个项目都有多家医院参与。
●Rhino Health:作为NVIDIA Inception计划的合作伙伴和成员,该公司已将NVIDIA FLARE集成到其联邦学习解决方案中,此解决方案正帮助麻省综合医院的科研人员开发更准确地诊断脑动脉瘤的AI模型,以及帮助美国国家癌症研究所“早期检测研究网络”的专家开发和验证医学成像AI模型,以识别胰腺癌的早期迹象。
Rhino Health创始人Ittai Dayan博士表示:“为了有效和高效地开展协作,医疗健康科研人员需要一个公共平台,在无需担心侵犯患者隐私的情况下开发AI技术。Rhino Health的‘联邦学习平台’解决方案使用NVIDIA FLARE构建,将成为帮助医疗健康AI更快产生影响的得力工具。”