L’apprentissage fédéré améliore les performances des modèles de segmentation des tumeurs cérébrales

• Imagerie Cérébrale et de Neuro-Épidémiologie (BraINE), DoCR
• Imagerie Cérébrale et de Neuro-Épidémiologie (BraINE), DoPH
• Imagerie Cérébrale et de Neuro-Épidémiologie (BraINE)

L’apprentissage fédéré (Federated Learning, FL) s’impose rapidement comme une technique fiable pour entraîner des modèles partagés de manière collaborative, tout en gardant les données décentralisées et privées – un impératif lorsqu’il s’agit de données médicales.

Au LIH, le Dr Olivier Keunen du groupe BraINE et ses collaborateurs, le Dr Ann-Christin Hau et la professeure Simone Niclou, participent activement depuis longtemps à l’initiative de segmentation fédérée des tumeurs (FeTS), initialement dirigée par le Dr Spyridon Bakas de l’Université de Pennsylvanie. L’étude, impliquant 71 sites répartis sur 6 continents, a démontré la faisabilité et les bénéfices de l’entraînement de modèles via FL dans le contexte de maladies cérébrales rares. Les résultats, publiés dans Nature Communications, ont suscité une attention considérable jusqu’à présent.

Nous sommes heureux d’annoncer une deuxième étape importante pour le consortium, avec la publication des résultats du défi FeTS, à nouveau dans Nature Communications. Ce défi a comparé l’apprentissage fédéré et divers algorithmes de segmentation sur 32 sites, explorant des techniques telles que l’agrégation adaptative des poids et l’échantillonnage de clients pour améliorer l’efficacité. L’étude souligne que, si la généralisation moyenne est satisfaisante, les performances en cas défavorable révèlent des défaillances spécifiques aux données, soulignant la nécessité d’une validation multi-site dans l’IA appliquée à la santé.

« Chez BraINE, nous sommes fiers de participer à des initiatives qui façonnent l’avenir de l’IA médicale, en répondant à certains des défis clés liés à l’accessibilité des données », déclare le Dr Olivier Keunen, responsable du groupe BraINE.

Récemment, FeTS s’est coordonné avec Duke University, l’Université de l’Indiana et le groupe RANO, franchissant une nouvelle étape dans l’entraînement de modèles pour la tâche complexe de segmentation des tumeurs cérébrales après traitement. Ces résultats prometteurs seront présentés lors de la Conférence internationale sur le calcul d’images médicales et les interventions assistées par ordinateur (MICCAI) en Corée du Sud, plus tard cette année.