Medikal Verilerin Sınıflandırılmasında Federe Öğrenme

Yıl 2023, Cilt: 39 Sayı: 3, 548 - 570, 31.12.2023

Beyza Nur Akşit , Bahriye Baştürk Akay , Adam Slowık

Öz

Medikal verilerin sınıflandırılması ve analizi, çeşitli sağlık sorunlarının tanısında ve tedavisinde önemli bir rol oynar. Medikal veriler, içerdikleri hassas bilgiler nedeniyle özel güvenlik önlemlerine gereksinim duyarlar. Bu nedenle, veri paylaşımı olmadan model eğitimi işlemlerinin uç noktalarda gerçekleştirilmesini, veri paylaşımı yerine model parametrelerinin paylaşılmasını ve güncellenmesini sağlayan federe öğrenme yaklaşımları kullanılır. Bu sayede, veriler merkezi bir sunucuda toplanmadığından ve paylaşılmadığından, gizlilik riskleri azalır. Bir federe öğrenme yaklaşımı olan FedAvg, katılan tüm uç noktaların yerel model parametrelerinin ortalamasını alarak küresel modeli günceller. Ancak bu yöntemde, uç noktalar farklı model performanslarına sahip olduğunda yakınsama süresi ve performansı etkileyen sınırlamalar ortaya çıkar. Bu çalışmada bu sınırlamaları ortadan kaldırmak için en yüksek yerel model test doğruluğuna sahip uç noktanın yerel model parametrelerini kullanarak küresel modeli güncelleyen FedBest isimli bir yaklaşım önerilmiştir. Önerilen FedBest yaklaşımı ile FedAvg yaklaşımının performansları BloodMNIST, PathMNIST ve DermaMNIST veri setleri üzerinde kıyaslanmıştır. Deneylerden elde edilen sonuçlara göre, FedAvg’nin medikal sınıflandırmada başarılı olduğu ancak FedBest algoritmasının, daha yüksek doğruluk oranlarına ve daha hızlı bir yakınsamaya sahip olduğu görülmüştür.

Anahtar Kelimeler

Federe Öğrenme, İşbirlikçi Öğrenme, Medikal Veri, Veri Gizliliği, Derin Öğrenme

Kaynakça

• [1] Büyüknacar, Yavuz Canbay-Yaşar. "Federe öğrenme ve veri mahremiyeti." Akademik Bilişim Konferansı. 2019.
• [2] Zhang, W., Zhou, T., Lu, Q., Wang, X., Zhu, C., Sun, H., ... & Wang, F. Y. (2021). Dynamic-fusion-based federated learning for COVID-19 detection. IEEE Internet of Things Journal, 8(21), 15884-15891.
• [3] Odera, David. "Federated learning and differential privacy in clinical health: Extensive survey." (2023).
• [4] Sheller, M. J., Reina, G. A., Edwards, B., Martin, J., & Bakas, S. (2019). Multi-institutional deep learning modeling without sharing patient data: A feasibility study on brain tumor segmentation. In Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 4th International Workshop, BrainLes 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, September 16, 2018, Revised Selected Papers, Part I 4 (pp. 92-104). Springer International Publishing
• [5] Yoo, J. H., Jeong, H., Lee, J., & Chung, T. M. (2022). Open problems in medical federated learning. International Journal of Web Information Systems, 18(2/3), 77-99.
• [6] Wibawa, F., Catak, F. O., Sarp, S., & Kuzlu, M. (2022). BFV-Based Homomorphic Encryption for PrivacyPreserving CNN Models. Cryptography, 6(3), 34.
• [7] Farhad, Arshad, Sandra I. Woolley, and Peter Andras. "A Preliminary Scoping Study of Federated Learning for the Internet of Medical Things." Studies in Health Technology and Informatics 281 (2021): 504-505.
• [8] Zhao, Leiyang, and Jianjun Huang. "A distribution information sharing federated learning approach for medical image data." Complex & Intelligent Systems (2023): 1-12.
• [9] Sohan, Md Fahimuzzman, and Anas Basalamah. "A Systematic Review on Federated Learning in Medical Image Analysis." IEEE Access (2023).
• [10] Yi, Hang, Tongxuan Bie, and Tongjiang Yan. "Framework Construction of an Adversarial Federated Transfer Learning Classifier." arXiv preprint arXiv:2211.04734 (2022).
• [11] Nazir, Sajid, and Mohammad Kaleem. "Federated Learning for Medical Image Analysis with Deep Neural Networks." Diagnostics 13.9 (2023): 1532.
• [12] Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas, ¨ “Communication-efficient learning of deep networks from decentralized data,” in Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, AISTATS 2017, 20-22 April 2017, Fort Lauderdale, FL, USA, Aarti Singh and Xiaojin (Jerry) Zhu, Eds. 2017, vol. 54 of Proceedings of Machine Learning Research, pp. 1273–1282, PMLR.
• [13] Reza Shokri and Vitaly Shmatikov, “Privacy-preserving deep learning,” in Proceedings of the 22Nd ACM SIGSAC Conference on Computer and Communications Security, New York, NY, USA, 2015, CCS ’15, pp. 1310– 1321, ACM.
• [14] Martin Abadi, Andy Chu, Ian Goodfellow, Brendan McMahan, Ilya Mironov, Kunal Talwar, and Li Zhang. Deep learning with differential privacy. In 23rd ACM Conference on Computer and Communications Security (ACM CCS), 2016.
• [15] McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017, April). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics (pp. 1273-1282). PMLR.
• [16] Behavioral Informatics & Interaction Computation Lab (BIIC) https://biic.ee.nthu.edu.tw/blogdetail.php?id=2 (Erişim Tarihi: 14.06.2023).
• [17] Lee, Hagyeong, and Jongwoo Song. "Introduction to convolutional neural network using Keras; an understanding from a statistician." Communications for Statistical Applications and Methods 26.6 (2019): 591-610.
• [18] Yang, J., Shi, R., Wei, D., Liu, Z., Zhao, L., Ke, B., ... & Ni, B. (2023). MedMNIST v2-A large-scale lightweight benchmark for 2D and 3D biomedical image classification. Scientific Data, 10(1), 41.