大邱庆北科学技术院(DGIST)机器人与机械工程/人工智能系Sang-hyun Park教授领导的研究团队与美国斯坦福大学研究团队合作开发联邦学习AI技术无需共享个人信息或数据即可实现大规模模型学习。

通过允许高效的模型学习，这项技术可以由多个机构联合使用，预计将为医学成像分析做出重大贡献。

当允许深度学习模型在医疗领域学习时，人们强烈担心侵犯隐私，因为数据包含患者的个人信息。这使得在中央服务器中收集各个医院的数据以开发可供多个医院联合使用的大规模模型变得困难。

作为解决这一问题的解决方案，联邦学习并不将数据收集到中央服务器中，而是仅收集各个医院或机构学习过的模型并将其发送到中央服务器进行学习。然而，将模型多次发送到中央服务器存在困难。更重要的是，对于需要安全存储患者数据的医院来说，需要大量的金钱和时间来重复将模型传输到中央服务器。因此，必须最小化模型传输的数量。

Park教授的研究团队成功开发了一种方法，可以最大限度地减少模型传输次数，同时通过图像生成和知识蒸馏保持和提高模型性能。该方法利用机构生成的图像和模型，让模型在中央服务器上进行学习，从而改善模型学习的过程。

研究团队利用该技术对显微镜、显微图像、皮肤镜、光学相干断层扫描(OCT)、病理学、X 射线和眼底图像执行分类任务。结果证实了该技术与其他传统联邦学习技术相比具有出色的分类性能。

DGIST 机器人与机械工程系的 Park 教授表示：“这项研究将允许模型在所有参与学习的机构中普遍学习，而无需共享个人信息或数据。这项技术预计将显着降低开发大型机器人的成本。”在各种医疗环境中扩展人工智能模型。”