La técnica de IA de aprendizaje federado de una sola vez combina protección de la privacidad y eficiencia

Un equipo de investigación ha desarrollado una nueva técnica de inteligencia artificial (IA) de aprendizaje federado de una sola vez que permite el entrenamiento eficiente de modelos a gran escala sin compartir información personal. El resultado de esta investigación es extremadamente significativo, ya que demuestra que la protección de la privacidad, la eficiencia del aprendizaje y el rendimiento del modelo se pueden garantizar simultáneamente en el campo del análisis de imágenes médicas.

La investigación es publicado en el diario Análisis de imágenes médicas.

El equipo estuvo dirigido por el profesor Sang-hyun Park del Departamento de Ingeniería Robótica y Mecatrónica de la DGIST e incluyó investigadores de la Universidad de Stanford en Estados Unidos.

Los datos de imágenes médicas contienen información confidencial del paciente, lo que restringe el intercambio de información entre hospitales y plantea grandes desafíos para el desarrollo de modelos de IA que utilizan conjuntos de datos a gran escala. El aprendizaje federado (FL), propuesto como solución, permite la capacitación colaborativa al compartir modelos entrenados en lugar de datos sin procesar de los pacientes. Sin embargo, las transmisiones repetidas de modelos generan importantes cargas de tiempo y costos. Se ha estudiado FL de una sola vez como una alternativa, pero los métodos existentes han seguido sufriendo altos costos computacionales y sobreajuste.

Para abordar estas limitaciones, el equipo del profesor Park propuso un método que añade ruido estructural a imágenes sintéticas y aplica la técnica de mezcla para generar muestras intermedias virtuales. Este enfoque aumenta la diversidad de los datos de entrenamiento para reducir el sobreajuste, al tiempo que reutiliza imágenes sintéticas para eliminar cálculos innecesarios, mejorando así significativamente la eficiencia computacional.

El equipo de investigación aplicó esta técnica a una variedad de conjuntos de datos de imágenes médicas, incluidas imágenes radiográficas, imágenes patológicas, imágenes dermatoscópicas e imágenes de fondo de ojo. Los resultados mostraron que el método propuesto logró una mayor precisión con menos cálculos en comparación con los enfoques FL de un solo uso existentes.

El profesor Park comentó: «Esta investigación es significativa al mostrar que incluso bajo limitaciones realistas, como la protección de la privacidad y las limitaciones de comunicación, es posible entrenar modelos ampliamente aplicables en el campo de las imágenes médicas. En el futuro, continuaremos avanzando en esta técnica para desarrollar modelos de IA que abarquen diversas poblaciones de pacientes y al mismo tiempo salvaguarden la privacidad, contribuyendo así al establecimiento de sistemas de soporte de diagnóstico precisos y altamente confiables».