Un progetto di: HEAL ITALIA e Università di Bologna
Le Generative Adversarial Networks (GAN) si sono affermate nell’ultimo decennio come uno dei modelli applicativi di deep learning più utilizzati per la generazione di immagini sintetiche.
Diverse motivazioni sono alla base della loro implementazione nella medicina di precisione, come l’ampliamento di insiemi di dati già esistenti con campioni sintetici e la creazione di insiemi di dati completamente sintetici che consentirebbero di preservare la privacy dei pazienti non condividendo nessuno dei loro dati. Tuttavia, una delle principali sfide tecniche quando si lavora con i dati medici è legata alla loro disponibilità e alla loro privacy.
Per rispondere alle sfide legate alla privacy e alla disponibilità dei dati per la generazione di dati sintetici, in questo progetto si propone un framework che combina lo swarm learning, un framework di apprendimento automatico decentralizzato e privacy-preserving con le GAN.
Swarm learning addestra un modello locale su ogni nodo della rete di swarm e aggiorna un modello decentralizzato unendo i parametri dei modelli locali a ogni determinato istante di sincronizzazione, usando una blockchain. Solo i parametri locali vengono condivisi durante questa fase di sincronizzazione; quindi, i dati rimangono visibili solo localmente sul loro nodo. Applicato alle GAN, consente di apprendere da diversi centri dati mantenendo la privacy, aumentando il numero di campioni di dati e la loro variabilità per generare immagini sintetiche di livello superiore.
Obiettivi e benefici
Questo approccio decentralizzato e privacy-preserving permette di addestrare modelli GAN su dati distribuiti senza condividere direttamente i dati dei pazienti, aumentando così il numero e la varietà di campioni disponibili.
I benefici includono una maggiore protezione della privacy dei pazienti, la generazione di immagini sintetiche più realistiche e variate, e la possibilità di sfruttare dati da più centri senza compromessi sulla riservatezza, migliorando le capacità diagnostiche e di ricerca.
Tecnologie abilitanti
Il supercalcolo gioca un ruolo cruciale nello sviluppo di questo progetto. Le analisi dei big data hanno supportato l’identificazione e l’utilizzo ottimale dei dati distribuiti, garantendo una migliore variabilità e rappresentatività dei campioni di dati sintetici generati dalle GAN, fondamentale per migliorare la precisione e la robustezza dei modelli di deep learning applicati alla medicina di precisione.