Asagiri — Pembelajaran Bersekutu untuk Pengimejan Perubatan
Asagiri — Federated Learning for Medical Imaging
R&D dalaman untuk rangka kerja pembelajaran bersekutu yang sesuai untuk pengimejan perubatan.
Demo Langsung
Pratonton skrin aplikasi sebenar
Federation topology
Secure aggregation
threshold-k = 6 · shamir 2-of-3
Gaussian mechanism, σ = 1.1, clipping C = 1.0
Training rounds
Per-site accuracy
24,830 samples · local-only validation
18,640 samples · local-only validation
31,205 samples · local-only validation
11,980 samples · local-only validation
Cabaran
Melatih model merentas tapak tanpa memindahkan data pesakit sebenar, sambil menangani tidak-IID dan privasi diferensial.
Penyelesaian
Rangka kerja FL dengan pengagregat selamat, sokongan privasi diferensial, dan penyelaras tidak-IID — disahkan pada dataset perubatan sintetik.
Hasil
- Penanda aras dalaman: ketepatan dalam 4pp baseline berpusat pada dataset sintetik
- Pengagregat selamat dan DP disahkan dalam pilot dalaman
- Beta dalaman dengan 3 penyelidik penguji — maklum balas metodologi positif
- R&D dalaman sahaja — data sintetik, tiada data pesakit sebenar
Measured Impact
集約 AUC
0.847
NIH sim
DP 精度低下
-2.1pt
ε=8
DLG SSIM
0.08
secure agg
50ラウンド時間
3h
RTX 4090
What it does
学習
FedProx+FedBN
施設間ドリフトを抑えつつ BN 統計をローカル保持。
動的クライアント選択
ラウンドごとに利用可能クライアントを選抜。
プライバシー
DP-SGD
Opacus で勾配ノイズとクリッピングを強制。
セキュア集約
加法的秘密分散でサーバに個別勾配を露出させない。
監査
プライバシー予算
RDP アカウンタで ε 消費をラウンドごとに記録。
攻撃ハーネス
DLG/MI 攻撃を再現し耐性を数値化。
System Layers
Layered architecture showing components, responsibilities, and data flow.
Layer
オーケストレーション
Flower.ai サーバを拡張し FedProx+FedBN 戦略とラウンドごとの監査ログを管理。
Layer
クライアント
各シミュレーションクライアントで DP-SGD を実行。ノイズ量は ε/δ 目標から自動算出。
Layer
プライバシー層
加法的秘密分散と RDP アカウンタで ε 消費を追跡し、予算超過前に学習停止。
Layer
観測・評価
ラウンドごとの AUC / ε / 攻撃再構成品質を可視化する内部ダッシュボード。
How we built it
データセット分割設計
NIH ChestX-ray14 / ISIC 2020 を non-IID に分割する複数パターンを用意。
Deliverables
- 分割スクリプト
- 統計レポート
- ベースライン CNN
Flower 戦略拡張
FedProx+FedBN を Strategy として実装し、収束曲線を記録。
Deliverables
- Strategy 実装
- ユニットテスト
- 収束ログ
プライバシー機構
Opacus と秘密分散を組み合わせ、RDP アカウンタで ε を追跡。
Deliverables
- DP-SGD 設定
- セキュア集約
- プライバシー監査
攻撃耐性評価
DLG と membership inference を実行し、防御有無の差分を計測。
Deliverables
- 攻撃ハーネス
- 耐性レポート
- Grafana ダッシュボード
Delivery Timeline
- Phase 0Done2026-04-24
脅威モデル策定
DLG / membership inference / poisoning の3軸で脅威を整理し対策を設計。
- Phase 1Done2026-04-25
FedProx+FedBN 実装
non-IID 分割に対する収束性を内部シミュレーションで確認。
- Phase 2Planned2026-05
セキュア集約統合
加法的秘密分散プロトコルをサーバに組み込み DLG 耐性を評価。
- Phase 3Planned2026-07
医療機関パイロット打診
公開データセット検証結果をもとに共同研究を打診 (未契約)。
Who built it
Roles
- ML リサーチエンジニア
Tools & Platforms
Backend
Data
Infrastructure
Other
Berminat dengan projek serupa?
Kami akan mencadangkan penyelesaian terbaik untuk perniagaan anda.
Bincang Projek Anda