Asagiri — Học Liên Hợp cho Hình Ảnh Y Tế
Asagiri — Federated Learning for Medical Imaging
R&D nội bộ cho khung học liên hợp phù hợp với hình ảnh y tế.
Demo trực tiếp
Xem trước giao diện ứng dụng thực tế
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
Thách thức
Huấn luyện model qua nhiều site mà không di chuyển dữ liệu bệnh nhân thật, đồng thời xử lý non-IID và differential privacy.
Giải pháp
Khung FL với bộ aggregator an toàn, hỗ trợ differential privacy và balancer non-IID — được xác thực trên dataset y tế tổng hợp.
Kết quả
- Benchmark nội bộ: độ chính xác trong khoảng 4pp của baseline tập trung trên dataset tổng hợp
- Aggregator an toàn và DP được xác thực trong thí điểm nội bộ
- Beta nội bộ với 3 nhà nghiên cứu — phản hồi phương pháp tích cực
- Chỉ R&D nội bộ — dữ liệu tổng hợp, không có dữ liệu bệnh nhân thật
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
Bạn quan tâm đến dự án tương tự?
Chúng tôi sẽ đề xuất giải pháp tốt nhất cho doanh nghiệp của bạn.
Trao đổi về dự án