[論文レビュー] Intracranial Hemorrhage Detection Using Neural Network Based Methods With Federated Learning

Utkarsh Chandra Srivastava, Dhruv Upadhyay+1 more|arXiv (Cornell University)|Jan 1, 2020

Intracerebral and Subarachnoid Hemorrhage Research参考文献 2被引用数 4

ひとこと要約

本稿では、DenseNet121とTimeDistributed GRUを組み合わせたフェデレーテッドラーニング強化型のディープラーニングモデルを提案し、CTスキャンからくも膜下出血を92%以上の精度で検出・分類する。このアプローチにより、生の医療データを共有せずに、患者のプライバシーを守りながら病院間で分散型の学習が可能となる。

ABSTRACT

Intracranial hemorrhage, bleeding that occurs inside the cranium, is a serious health problem requiring rapid and often intensive medical treatment. Such a condition is traditionally diagnosed by highly-trained specialists analyzing computed tomography (CT) scan of the patient and identifying the location and type of hemorrhage if one exists. We propose a neural network approach to find and classify the condition based upon the CT scan. The model architecture implements a time distributed convolutional network. We observed accuracy above 92% from such an architecture, provided enough data. We propose further extensions to our approach involving the deployment of federated learning. This would be helpful in pooling learned parameters without violating the inherent privacy of the data involved.

研究の動機と目的

• 急性神経疾患緊急時におけるくも膜下出血の迅速かつ正確な検出の重要性に対応する。
• CTスキャンの解釈に時間がかかり、専門家に依存するプロセスの依存度を低減する。
• 機密性の高いデータを扱う医療機関に適した、プライバシーを守る機械学習フレームワークの開発。
• 分散型の医療機関間でのフェデレーテッドラーニングにより、モデルの汎化性能と耐性を向上させる。
• プルーニングと軽量推論を活用したモデル最適化により、リソースが限られた臨床環境への展開を可能にする。

提案手法

• 2D CTスキャン断層画像からの特徴抽出に、変更を加えたDenseNet121アーキテクチャを採用し、密なスキップ接続により特徴の再利用と勾配の流れを向上させる。
• DenseNet121の出力にTimeDistributedレイヤーを統合し、連続するCTスライスを処理することで、スライス間での出血の時間的・空間的変化を捉える。
• 再帰的ネットワーク構造内にGRUを用いて、CTスキャンシリーズにおける順序的依存関係をモデル化し、出血サブタイプの分類性能を向上させる。
• フェデレーテッドラーニングを実装し、生の患者データを送信せずに複数の病院間でグローバルモデルを学習させ、暗号化されたモデル更新のみを共有する。
• 計算負荷の低減を図り、リモートまたはリソースが限られた臨床環境への展開を可能にするために、モデルプルーニングとアーキテクチャ再設計を適用する。
• 安全なモデル集約を実現するフェデレーテッド平均化を用いて、モデル性能を維持するとともに、データプライバシーを確保する。

実験結果

リサーチクエスチョン

• RQ1 2D畳み込みネットワークと再帰的時系列モデリングを組み合わせたディープラーニングモデルは、CTスキャンからのくも膜下出血検出において高い精度を達成できるか？
• RQ2 フェデレーテッドラーニングは、患者の機密データを暴露せずに、複数の病院間で出血検出モデルの共同学習を可能にするか？
• RQ3 ボリュメトリック医療画像において、3D畳み込みネットワークを用いることで、2D-CNNと比較して検出性能がどの程度向上するか？
• RQ4 病院間で非独立同分布（non-IID）のデータ分布が生じた場合、フェデレーテッドラーニングベースの出血検出モデルの収束性と精度にどのような影響が生じるか？
• RQ5 モデル圧縮およびプルーニング技術を用いることで、低計算リソースの臨床環境への展開が現実可能になるか？

主な発見

• 提案されたモデルは、CTスキャンからのくも膜下出血の検出・分類において92%を超える精度を達成し、ResNet50 や ResNet101 といったベースラインモデルを上回った。
• TimeDistributed GRUレイヤーの統合により、連続するCTスライス間での時間的パターンの捉え方が著しく向上し、分類性能が向上した。
• フェデレーテッドラーニングにより、生の医療データを共有せずに複数の機関間で効果的なグローバルモデル学習が可能となり、患者のプライバシーが保護され、ネットワーク転送負荷も低減された。
• フェデレーテッド平均化と安全なモデル更新を組み合わせることで、データの偏りや非IIDsな分布に対してもモデルの頑健性が示された。
• フェデレーテッドラーニングにより、データ転送のボトルネックが軽減されたが、クライアントの計算リソースとストレージリソースの制限により、依然として課題が残った。
• 今後の改善策として、3D畳み込みや微分プライバシーの導入が、さらなる精度とプライバシーの向上に有望であると特定された。