Skin lesions recognition using federated and swarm learning: a case study in Chile
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El diagnóstico correcto de tumores y lesiones de la piel es de suma importancia. Los modelos de aprendizaje profundo (DL) se pueden utilizar como herramientas de diagnóstico en dermatología, ya que ayudan en el diagnóstico del cáncer de piel con resultados comparables al de los expertos. Para entrenar estos modelos de DL, se requiere una gran cantidad de datos y que estos sean diversos. Esto se convierte en una barrera para instituciones con escasos datos locales. Además, existe una creciente preocupación por los problemas de privacidad relacionados con el intercambio de datos. Este estudio busca evaluar el desempeño de modelos de DL (AlexNet, VGG, GoogLeNet, ResNet, Vision Transformer, y VMamba) en el diagnóstico de imágenes dermatoscópicas a través de 4 diferentes algoritmos de aprendizaje: Primero, el aprendizaje local, donde no se comparten datos ni parámetros del modelo. En segundo lugar, el aprendizaje central, en el que se comparten tanto los datos como los parámetros de los modelos. En tercer lugar, el aprendizaje federado, donde los parámetros se comparten, pero no los datos (un servidor central permite administrar y distribuir los parámetros). Finalmente se probó el aprendizaje de enjambre, donde se comparten los parámetros pero no los datos y no cuenta con un servidor central. El aprendizaje federado y de enjambre pueden permitir la colaboración entre diferentes instituciones, reduciendo los problemas de privacidad. Realizamos un análisis en 2 conjuntos de datos públicos provenientes del conjunto de datos del Hospital Italiano de Buenos Aires (HIBA), de Argentina, y en el conjunto de datos del International Skin Imaging Collaboration (ISIC). También se utilizó un tercer conjunto de datos no público con imágenes de nuestra institución (TRAWA-S). Desarrollamos dos métodos, el primero utilizando únicamente ISIC dividido en 3 conjuntos de datos (ISIC 1, ISIC 2, e ISIC 3) y el segundo, con los conjuntos de datos HIBA, ISIC y TRAWA-S. Las estrategias de aprendizaje federado y de enjambre mejoran los resultados de las métricas de desempeño (AUROC, AUPRC, accuracy y F1-score) en el conjunto de prueba con respecto al aprendizaje local en ISIC 1: 16%, 36%, 8.57%, y 31.71%; ISIC 2: 10%, 19%, 5.72%, y 22.41%; ISIC 3: 7%, 18%, 4.9%, y 18.61%; HIBA: 9%, 9%, 4.8%, y 11.22%; ISIC: 7%, 10%, 3.2%, y 6.46%; TRAWA-S: 5%, 9%, 5.6%, y 18.59%. A través del aprendizaje federado y de enjambre, se obtienen mejores resultados para predecir el tipo de lesión de la piel en conjuntos de datos locales. Estos algoritmos de aprendizaje ayudan a disminuir el sesgo y aumentar la variabilidad en el sistema.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2024
Keywords
Reconocimiento de lesiones de la piel, Inteligencia artificial, Aprendizaje profundo, Clasificación de imágenes, Aprendizaje federado, Aprendizaje de enjambre, TRAWA-S, Dermatología, Cáncer de piel, Melanoma