Investigadores de EE. UU. están empleando aprendizaje federado, apoyados en tecnologías de NVIDIA, para mejorar los modelos de IA en la segmentación de tumores y garantizar la privacidad de los datos.

Varios de los principales centros médicos y de investigación en EE. UU. han comenzado a utilizar NVIDIA y el aprendizaje federado para desarrollar modelos de inteligencia artificial (IA) avanzados, enfocados en la segmentación de tumores.

Esta técnica permite que múltiples instituciones colaboren en la mejora de modelos de IA sin comprometer la seguridad o la privacidad de los datos, una necesidad cada vez más urgente en el ámbito de la salud.

Aprendizaje federado: una herramienta clave para la IA médica

El aprendizaje federado es una técnica innovadora que permite entrenar modelos de IA sin necesidad de que los datos salgan de los servidores locales de las instituciones que participan.

Este enfoque soluciona muchos de los desafíos relacionados con la privacidad y el cumplimiento normativo, como el Reglamento General de Protección de Datos (GDPR) y la Ley de Portabilidad y Responsabilidad de Seguros Médicos de EE. UU. (HIPAA), que regulan el uso de datos personales y médicos.

Según John Garrett, profesor asociado de radiología en la Universidad de Wisconsin-Madison, la técnica responde a la creciente complejidad en la gestión de datos médicos: “Adoptar el aprendizaje federado para construir y probar modelos en varios sitios a la vez es la única manera, en términos prácticos, de mantenerse al día”.

Este proyecto reúne a instituciones como Case Western Reserve University, Georgetown University, la Clínica Mayo, la Universidad de California, San Diego, entre otras, en un esfuerzo por avanzar en la aplicación de la IA médica.

El papel de NVIDIA FLARE en la colaboración

Para facilitar este proceso, el equipo utiliza NVIDIA FLARE (NVFlare), una plataforma de código abierto que ofrece funcionalidades de seguridad y privacidad avanzadas.

A través del Programa de Becas Académicas de NVIDIA, los investigadores recibieron GPUs NVIDIA RTX A5000, las cuales se distribuyeron en los diferentes centros participantes para establecer estaciones de trabajo dedicadas al aprendizaje federado.

Este enfoque también resalta la flexibilidad de NVFlare, al permitir que se usen tanto GPUs locales como en la nube para los entrenamientos.

Optimización mediante IA asistida: NVIDIA MONAI

En la primera fase del proyecto, los datos utilizados para entrenar los modelos de IA fueron anotados manualmente. Sin embargo, en la siguiente etapa, el equipo empleará NVIDIA MONAI para implementar anotación asistida por IA.

Este método permite optimizar los modelos mediante la segmentación automática de imágenes médicas, lo que se espera agilice el proceso y ofrezca una comparación con los métodos de anotación tradicionales.

“El mayor desafío en actividades de aprendizaje federado suele ser que los datos en cada sitio no son uniformes”, comenta Garrett. “Cada lugar utiliza diferentes equipos y protocolos, lo que complica la uniformidad. Con MONAI, evaluaremos si esta herramienta mejora la precisión de las anotaciones en un entorno federado”.

El equipo está utilizando MONAI Label, una herramienta que facilita la creación de aplicaciones personalizadas para la anotación de imágenes, reduciendo significativamente el tiempo y el esfuerzo necesarios para generar nuevos conjuntos de datos.

Los expertos en el área validarán las segmentaciones generadas por IA antes de usarlas para entrenar los modelos de aprendizaje federado.

Metodología y resultados a futuro

Una vez finalizado el proyecto, los investigadores tienen planeado publicar su metodología, los conjuntos de datos anotados y los modelos preentrenados, con la finalidad de que estos puedan ser utilizados por otros equipos y para que la comunidad médica pueda aprovechar estos avances en el desarrollo de IA.

Este enfoque colaborativo tiene el potencial de proporcionar nuevas herramientas y mejorar los procesos en la segmentación de tumores mediante el uso de modelos de IA más precisos y generalizables, al tiempo que se cumplen las regulaciones de privacidad y se protege la seguridad de los datos sensibles.