Nvidia propulse l'apprentissage fédéré pour une segmentation de tumeurs par IA améliorée en imagerie médicale

Nvidia propulse l'apprentissage fédéré pour une segmentation de tumeurs par IA améliorée en imagerie médicale est profilé par BTW Media car des preuves publiées le relient à l'infrastructure Internet, à la gouvernance, aux dépendances opérationnelles ou à la visibilité du marché.

• Un comité d'experts de grands centres médicaux américains utilise l'apprentissage fédéré propulsé par Nvidia pour améliorer les modèles d'IA de segmentation tumorale, leur permettant de collaborer au développement de modèles sans partager de données sensibles.
• En tirant parti de l'apprentissage fédéré, l'équipe vise à améliorer la précision des modèles et la conformité aux réglementations sur la vie privée tout en relevant les défis d'uniformité des données entre différents sites d'imagerie médicale.

NOTRE AVIS
Un groupe d'experts de grandes institutions médicales américaines explore l'apprentissage fédéré pour entraîner des modèles d'IA à la segmentation de tumeurs, permettant un développement collaboratif sans compromettre la confidentialité des données. Cette approche innovante vise à améliorer la précision des modèles tout en relevant les complexités du partage et de la normalisation des données en imagerie médicale.
-Rae Li, journaliste BTW

Ce qui s'est passé

Un comité d'experts de divers grands centres médicaux et institutions de recherche américains utilisel'apprentissage fédérépropulsé parNvidiapour faire progresser l'annotation assistée par IA pour l'entraînement de modèles focalisés sur la segmentation tumorale, en particulier pour le carcinome rénal à cellules claires. Cet effort collaboratif permet à plusieurs organisations de développer et d'améliorer des modèles d'IA sans avoir besoin de partager des données sensibles des patients, car l'apprentissage se fait localement sur chaque site tandis que seuls les paramètres du modèle sont échangés.

Dirigé par John Garrett de l'Université du Wisconsin–Madison et soutenu par les outils et ressources de Nvidia, le projet implique six centres médicaux contribuant des données d'environ 50 études d'imagerie. L'équipe met en œuvre NVIDIA MONAI pour l'annotation assistée par IA lors de la prochaine phase du projet, visant à évaluer comment les segmentations générées par l'IA se comparent aux annotations manuelles traditionnelles. Cette initiative ne cherche pas seulement à améliorer les performances des modèles, mais a également l'intention de publier les résultats et les ressources pour une utilisation plus large dans le domaine médical.

À lire aussi:Les États-Unis pourraient autoriser Nvidia à exporter des puces d'IA avancées vers l'Arabie saoudite, selon Semafor

À lire aussi:La perte historique de valeur boursière de Nvidia suscite des craintes de bulle technologique

Pourquoi c'est important

Cela démontre une application pratique de l'apprentissage fédéré dans le secteur de la santé, répondant au besoin crucial de collaboration de données respectueuse de la vie privée. À mesure que les technologies d'IA en imagerie médicale évoluent, la capacité de développer des modèles précis sans compromettre la confidentialité des patients est essentielle. En utilisant l'apprentissage fédéré, le projet permet aux institutions de tirer parti d'ensembles de données diversifiés tout en respectant des réglementations telles que HIPAA et le RGPD, conduisant finalement à des solutions d'IA plus robustes et généralisables en imagerie médicale.

L'accent mis sur l'amélioration de l'annotation assistée par IA grâce à des outils comme NVIDIA MONAI met en évidence une avancée significative dans la manière dont les données médicales peuvent être traitées et analysées. Cela pourrait conduire à de meilleurs outils de diagnostic et à une meilleure planification des traitements, améliorant ainsi les soins aux patients. La nature collaborative du projet favorise également une culture de partage des connaissances et des ressources entre les institutions médicales, promouvant l'innovation et accélérant l'adoption des technologies d'IA dans les soins de santé.

L'engagement à publier des méthodologies et des ensembles de données soutient davantage la communauté médicale élargie dans l'avancement de la recherche et du développement dans ce domaine critique.