Föderiertes Lernen auf medizinischen Daten: Gemeinsames Forschungsprojekt mit ZEISS
May 1, 2021
Föderiertes Lernen in der Opthalmologie
Medizinische Daten sind hochsensibel und ihre Zentralisierung ist oft nicht möglich. Dies kann die Entwicklung von Modellen des maschinellen Lernens behindern, da herkömmliche Ansätze auf große zentralisierte Datensätze für das Training und die Bewertung von Modellen angewiesen sind.
In Zusammenarbeit mit Forschern der ZEISS Gruppe und der Carl Zeiss Meditec AG haben wir unseren dezentralen Ansatz zur Erkennung von Anomalien in OCT-Bildern von Augen angewendet.
Modelle statt Rohdaten teilen
Im Rahmen des Projekts vollziehen wir einen Paradigmenwechsel im maschinellen Lernen. Anstatt große Datensätze zu übertragen, übertragen wir nur die einzelnen Modelle. Diese Modelle werden lokal am Rande trainiert und dann zentral zu einem leistungsfähigeren Modell kombiniert. Weitere Informationen über unseren Ansatz des dezentralen maschinellen Lernens finden Sie hier: Edge AI.
ARVO-Konferenz zur Forschung in der Augenheilkunde
Die Association for Research in Vision and Ophthalmology (ARVO) veranstaltet ihre Jahrestagung im Mai 2021. Wir sind stolz darauf, an dieser Veranstaltung teilzunehmen und den Fachleuten eine Bewertung des beschriebenen Ansatzes des föderierten Lernens für Augendaten aus OCT-Scans vorzustellen.
Die Autoren: Robin Hirt, Christian Kungel, Caroline Dieterich, Gary Lee, Dominik Fischer, Niranchana Manivannan, Aditya Nair, Hugang Ren, Sophia Yu und Alexander Ulrich.
Video: Microsoft Intelligent Manufacturing Award 2023 | Meet the winners
Teilen Sie diesen Artikel
Mehr lesen