[論文レビュー] Blockchain-Federated-Learning and Deep Learning Models for COVID-19 Detection Using CT Imaging
本論文では、CTスキャンからのCOVID-19検出のためのキャプセルネットワークのプライバシー保護型共同学習を可能にするブロックチェーン連携型フェデレーテッドラーニングフレームワークを提案する。複数の病院から得られる異種のデータを正規化し、ブロックチェーンで保護されたフェデレーテッドラーニングパイプラインを通じて、生データを共有せずにモデル更新のみを共有することで、COVID-19、ウイルス性肺炎、正常例の分類において98.68%の正確性を達成した。この方法により、データのプライバシーが保持され、病院間でのリアルタイムなモデル改善が可能になった。
With the increase of COVID-19 cases worldwide, an effective way is required to diagnose COVID-19 patients. The primary problem in diagnosing COVID-19 patients is the shortage and reliability of testing kits, due to the quick spread of the virus, medical practitioners are facing difficulty identifying the positive cases. The second real-world problem is to share the data among the hospitals globally while keeping in view the privacy concerns of the organizations. Building a collaborative model and preserving privacy are major concerns for training a global deep learning model. This paper proposes a framework that collects a small amount of data from different sources (various hospitals) and trains a global deep learning model using blockchain based federated learning. Blockchain technology authenticates the data and federated learning trains the model globally while preserving the privacy of the organization. First, we propose a data normalization technique that deals with the heterogeneity of data as the data is gathered from different hospitals having different kinds of CT scanners. Secondly, we use Capsule Network-based segmentation and classification to detect COVID-19 patients. Thirdly, we design a method that can collaboratively train a global model using blockchain technology with federated learning while preserving privacy. Additionally, we collected real-life COVID-19 patients data, which is, open to the research community. The proposed framework can utilize up-to-date data which improves the recognition of computed tomography (CT) images. Finally, our results demonstrate a better performance to detect COVID-19 patients.
研究の動機と目的
- 病院間での感受性の高い医療データの共有を可能にしつつ、患者および機関のプライバシーを保護する課題に対処すること。
- 多様なCTスキャナから得られるデータの非均一性にかかわらず、早期のCOVID-19の兆候を正確に検出できる強固なディープラーニングモデルを開発すること。
- 生データを中央集積化せずに、共同でグローバルモデルを学習可能にすることで、医療AI分野におけるデータの島嶼化とプライバシーの壁を克服すること。
- 34,006枚のスライスを含む新規の公開可能CTスキャンデータセット（CC-19）を提供すること。89名の被験者（うち68名が確定COVID-19）のデータを含む。
提案手法
- 複数のソースからのCT画像データにおけるモodalおよびスキャナの非均一性に対処するためのデータ正規化技術を提案した。
- 一般化性と特徴量学習の向上を図るため、肺の異常をセグメンテーションおよび分類するためにキャプセルネットワークを採用した。
- 生データを共有せず、病院からのローカルモデル更新を集約することでグローバルディープラーニングモデルを学習するフェデレーテッドラーニングを統合した。
- モデル更新とデータ寄与の認証および安全なログ記録にブロックチェーン技術を活用し、共同学習プロセスにおける透明性と完全性を確保した。
- 病院がローカルデータを保持し、モデルウェイトと勾配のみを交換する分散型でプライバシー保護型のフレームワークを設計した。
- CC-19と名付けた新規の公開データセットをリリースした。このデータセットには、89名の被験者（うち68名が陽性、21名が陰性）のCTスライス34,006枚が含まれており、オープンリサーチ用途に利用可能である。
実験結果
リサーチクエスチョン
- RQ1ブロックチェーン統合型フェデレーテッドラーニングフレームワークは、病院間でのデータプライバシーを損なわせることなく、グローバルディープラーニングモデルをCOVID-19検出に向け効果的に学習可能か？
- RQ2異なるCTスキャナに起因するデータの非均一性がモデルのパフォーマンスに与える影響は何か？また、正規化技術はこの問題を緩和できるか？
- RQ3キャプセルネットワークは、肺CTスキャンにおける微細なCOVID-19パターンの分類において、従来のCNNよりも優れているか？
- RQ4フェデレーテッドラーニングによる共同学習は、単一病院のデータでの孤立したモデル学習と比較して、診断正確性をどの程度向上できるか？
- RQ5透明で改ざん不能なブロックチェーンレーダーは、多機関にまたがる医療AIモデル開発における信頼性と説明責任を高められるか？
主な発見
- 提案されたフレームワークは、CC-19データセットにおいて98.68%の分類正確性を達成し、既存の手法を著しく上回った。
- キャプセルネットワークベースのモデルは、特に小さな初期感染領域の検出において、従来のCNNと比較して優れた一般化性能と感度（98%）を示した。
- フェデレーテッドラーニングにより、3つの病院間で効果的なグローバルモデル学習が可能となり、80回の学習イテレーションを経てモデル正確性が安定して収束した。
- すべての病院において学習損失が一貫して低下し、分散環境下でも安定的かつ効果的なモデル収束が確認された。
- ブロックチェーンベースのシステムにより、安全で透明性があり、監査可能なモデル更新が実現され、共同学習プロセス中にいかなるデータ漏洩も観察されなかった。
- CC-19データセットの公開は、医療画像を用いたAI駆動型COVID-19検出分野における今後の研究のための貴重なベンチマークを提供する。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。