Federated Learning auf medizinischen Daten: Gemeinsame Forschung mit ZEISS

image

Federated Learning in der Augenheilkunde

Medizinische Daten sind besonders sensibel und ihre Zusammenführung in zentralen Speichern daher oft nicht möglich. Dies kann die Entwicklung von Machine Learning Modellen zu einer Herausforderung machen, da herkömmliche ML Verfahren zumeist auf große Datensätze für Training und Evaluation angewiesen sind.

In einem gemeinsamen Projekt mit Forschern der ZEISS Gruppe und der Carl Zeiss Meditec AG haben wir unseren dezentralisierten Ansatz implementiert, um Anomalien in OCT-Bilddaten des Auges zu erkennen.

ZEISS OCT Scanner, Typ CIRRUS HD-OCT 5000, Bildquelle: Carl Zeiss Meditec Inc.

Modellaustausch statt Datenaustausch

In dem Projekt wenden wir einen Paradigmenwechsel im Machine Learning an. Anstatt große Datensätze zu übertragen, übertragen wir nur die einzelnen Modelle. Diese Modelle werden lokal on-the-edge trainiert und anschließend zentral zu einem leistungsfähigeren Modell kombiniert. Mehr Informationen zu unserer Lösung für Decentralized Machine Learning finden Sie hier: mlx.

Modellaustausch während die OCT Daten lokal verbleiben - mithilfe von prenode mlx

ARVO Konferenz zur Augenforschung

Die Association for Research in Vision and Ophthalmology (ARVO) veranstaltet im Mai 2021 ihre jährliche Tagung. Wir sind stolz, aktiv daran teilzunehmen und vor Experten den verwendeten Federated Learning Ansatz auf Augendaten aus OCT-Scans zu präsentieren und auszuwerten.

Autoren: Robin Hirt, Christian Kungel, Caroline Dieterich, Gary Lee, Dominik Fischer, Niranchana Manivannan, Aditya Nair, Hugang Ren, Sophia Yu und Alexander Ulrich.

Für mehr Infos treten Sie in Kontakt!