Federated learning for data-driven machine learning in healthcare
Visualitza/Obre
160892.pdf (1,927Mb) (Accés restringit)
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/353733
Tipus de documentTreball Final de Grau
Data2021-07-25
Condicions d'accésAccés restringit per acord de confidencialitat
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
El aprendizaje federado (FL) es una solución prometedora para superar dos de los mayores problemas a los que se enfrenta la IA clínica: el aislamiento de datos y la privacidad y seguridad de los datos. Es extremadamente difícil obtener permisos para extraer datos de una institución y es aún más difícil obtener permiso para combinar esos datos. FL es una técnica que permite el entrenamiento de un modelo global compartido en un servidor central mientras los datos se mantienen en las organizaciones locales donde se originan. Las soluciones actuales están muy centradas en deep learning o son difíciles de implementar y desplegar. Como resultado, muchos proyectos de investigación, especialmente en el campo de la salud, son prohibitivamente costosos y son finalmente abandonados. Este proyecto consiste en el diseño e implementación de un marco FL que permite a científicos e ingenieros de datos federar algoritmos existentes exponiendo una API familiar al usuario. Describimos los objetivos del diseño, la arquitectura y proponemos un algoritmo de aprendizaje federado para validar el sistema. Por último, mostramos un escenario de caso de la vida real utilizando datos sanitarios para calcular un indicador de calidad de los hospitales. Federated Learning (FL) is a promising solution to overcome two of the biggest problems that clinical AI is facing: the isolation of data and the enhancement of data privacy and security. It is extremely difficult to obtain permission to extract data from an institution and it is even more difficult to get permission to combine that data. FL is a technique that allows the training of a shared global model with a central server while holding data in local organizations where it originates. The current solutions are very focused on deep learning or are difficult to implement and deploy. As a result, many research projects, especially in healthcare, are prohibitively costly to undertake and are ultimately abandoned. This project consists in the design and implementation of a FL framework that allows data scientists and engineers to federate existing algorithms exposing a familiar API to the user. We describe the design goals, the architecture and propose a Federated Learning algorithm to validate the system. Finally, we show a real-life case scenario using healthcare data to calculate a quality indicator of hospitals.
MatèriesMachine learning, Artificial intelligence, Aprenentatge automàtic, Intel·ligència artificial
TitulacióGRAU EN ENGINYERIA INFORMÀTICA (Pla 2010)
Col·leccions
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
160892.pdf | 1,927Mb | Accés restringit |