NVIDIA e IA para mejorar la detección del cáncer
A ver si hay surte y llega a la directriz bajista que marqué en 110$ ó 105$ para seguir ampliando posición.
Por otro lado, un comité de expertos de los principales centros médicos e institutos de investigación de EE. UU. está aprovechando el aprendizaje federado impulsado por NVIDIA (NASDAQ:NVDA) para evaluar el impacto del aprendizaje federado y la anotación asistida por IA en el entrenamiento de modelos de IA para la segmentación de tumores.
El aprendizaje federado es una técnica para desarrollar modelos de IA más precisos y generalizables, entrenados con datos de diversas fuentes sin comprometer la seguridad o privacidad de los datos. Permite que varias organizaciones colaboren en el desarrollo de un modelo de IA sin que los datos sensibles salgan de sus servidores.
"Debido a las restricciones de privacidad y gestión de datos, compartir datos entre sitios y agregarlos en un solo lugar se está volviendo cada vez más complicado, y la IA de imágenes se está desarrollando más rápido de lo que los institutos de investigación pueden establecer contratos de intercambio de datos", dijo John Garrett, profesor asociado de radiología en la Universidad de Wisconsin-Madison. "Adoptar el aprendizaje federado para construir y probar modelos en múltiples sitios a la vez es la única forma, prácticamente hablando, de mantenerse al día. Es una herramienta indispensable".
Garrett forma parte del Subcomité de Herramientas e Investigación de Aprendizaje Automático de la Society for Imaging Informatics and Medicine (SIIM), un grupo de médicos, investigadores e ingenieros que tiene como objetivo avanzar en el desarrollo y aplicación de la IA para imágenes médicas. NVIDIA es miembro de SIIM y ha estado colaborando con el comité en proyectos de aprendizaje federado desde 2019.
"Las técnicas de aprendizaje federado permiten mejorar la privacidad y seguridad de los datos en cumplimiento con las regulaciones de privacidad como GDPR, HIPAA y otras", dijo el presidente del comité, Khaled Younis. "Además, vemos una mejora en la precisión y generalización del modelo".
Para respaldar su último proyecto, el equipo, que incluye colaboradores de Case Western, Georgetown University, Mayo Clinic, University of California, San Diego, University of Florida y Vanderbilt University, utilizó NVIDIA FLARE (NVFlare), un marco de código abierto que incluye sólidas características de seguridad, técnicas avanzadas de protección de privacidad y una arquitectura de sistema flexible.
A través del Programa de Becas Académicas de NVIDIA, el comité recibió cuatro GPUs NVIDIA RTX A5000, que se distribuyeron entre los institutos de investigación participantes para configurar sus estaciones de trabajo para el aprendizaje federado. Otros colaboradores utilizaron GPUs de NVIDIA en la nube y en servidores locales, destacando la flexibilidad de NVFlare.
Descifrando el código para el aprendizaje federado
Cada uno de los seis centros médicos participantes proporcionó datos de alrededor de 50 estudios de imágenes médicas para el proyecto, enfocado en el carcinoma de células renales, un tipo de cáncer de riñón.
"La idea con el aprendizaje federado es que durante el entrenamiento intercambiamos el modelo en lugar de intercambiar los datos", dijo Yuankai Huo, profesor asistente de ciencias de la computación y director del Laboratorio de Representación y Aprendizaje de Datos Biomédicos en la Universidad de Vanderbilt.
En un marco de aprendizaje federado, un modelo global inicial transmite parámetros del modelo a los servidores cliente. Cada servidor utiliza esos parámetros para configurar una versión local del modelo que se entrena con los datos propietarios de la organización. Luego, los parámetros actualizados de cada uno de los modelos locales se envían de vuelta al modelo global, donde se agregan para producir un nuevo modelo global. El ciclo se repite hasta que las predicciones del modelo ya no mejoran con cada ronda de entrenamiento.
El grupo experimentó con arquitecturas de modelos e hiperparámetros para optimizar la velocidad de entrenamiento, la precisión y el número de estudios de imágenes necesarios para entrenar el modelo al nivel deseado de precisión.
Anotación asistida por IA con NVIDIA MONAI
En la primera fase del proyecto, los datos de entrenamiento utilizados para el modelo se etiquetaron manualmente. Para la siguiente fase, el equipo está utilizando NVIDIA MONAI para la anotación asistida por IA para evaluar cómo difiere el rendimiento del modelo con datos de entrenamiento segmentados con la ayuda de IA en comparación con los métodos de anotación tradicionales.
"La mayor dificultad con las actividades de aprendizaje federado es típicamente que los datos en diferentes sitios no son tremendamente uniformes. Las personas utilizan diferentes equipos de imagen, tienen diferentes protocolos y simplemente etiquetan sus datos de manera diferente", dijo Garrett. "Al entrenar el modelo de aprendizaje federado por segunda vez con la adición de MONAI, nuestro objetivo es descubrir si eso mejora la precisión general de la anotación".
El equipo está utilizando MONAI Label, una herramienta de etiquetado de imágenes que permite a los usuarios desarrollar aplicaciones personalizadas de anotación con IA, reduciendo el tiempo y el esfuerzo necesarios para crear nuevos conjuntos de datos. Los expertos validarán y refinarán las segmentaciones generadas por IA antes de que se utilicen para el entrenamiento del modelo.
Los datos para las fases de anotación manual y asistida por IA están alojados en Flywheel, una plataforma líder de datos de imágenes médicas e IA que ha integrado NVIDIA MONAI en sus ofertas.
Una vez que el proyecto esté completo, el equipo planea publicar su metodología, conjuntos de datos anotados y modelo preentrenado para apoyar trabajos futuros.
"Estamos interesados no solo en explorar estas herramientas", dijo Garrett, "sino también en publicar nuestro trabajo para que otros puedan aprender y usar estas herramientas en todo el campo médico".
Solicite una beca académica de NVIDIA
El Programa de Becas Académicas de NVIDIA impulsa la investigación académica proporcionando acceso y recursos informáticos de clase mundial a los investigadores. Las solicitudes están ahora abiertas para miembros de la facultad a tiempo completo en instituciones académicas acreditadas que estén utilizando la tecnología de NVIDIA para acelerar proyectos en simulación y modelado, IA generativa y modelos de lenguaje grandes.
Los ciclos de solicitud futuros se centrarán en proyectos de ciencia de datos, gráficos y visión, e IA de borde, incluyendo el aprendizaje federado.
Por otro lado, un comité de expertos de los principales centros médicos e institutos de investigación de EE. UU. está aprovechando el aprendizaje federado impulsado por NVIDIA (NASDAQ:NVDA) para evaluar el impacto del aprendizaje federado y la anotación asistida por IA en el entrenamiento de modelos de IA para la segmentación de tumores.
El aprendizaje federado es una técnica para desarrollar modelos de IA más precisos y generalizables, entrenados con datos de diversas fuentes sin comprometer la seguridad o privacidad de los datos. Permite que varias organizaciones colaboren en el desarrollo de un modelo de IA sin que los datos sensibles salgan de sus servidores.
"Debido a las restricciones de privacidad y gestión de datos, compartir datos entre sitios y agregarlos en un solo lugar se está volviendo cada vez más complicado, y la IA de imágenes se está desarrollando más rápido de lo que los institutos de investigación pueden establecer contratos de intercambio de datos", dijo John Garrett, profesor asociado de radiología en la Universidad de Wisconsin-Madison. "Adoptar el aprendizaje federado para construir y probar modelos en múltiples sitios a la vez es la única forma, prácticamente hablando, de mantenerse al día. Es una herramienta indispensable".
Garrett forma parte del Subcomité de Herramientas e Investigación de Aprendizaje Automático de la Society for Imaging Informatics and Medicine (SIIM), un grupo de médicos, investigadores e ingenieros que tiene como objetivo avanzar en el desarrollo y aplicación de la IA para imágenes médicas. NVIDIA es miembro de SIIM y ha estado colaborando con el comité en proyectos de aprendizaje federado desde 2019.
"Las técnicas de aprendizaje federado permiten mejorar la privacidad y seguridad de los datos en cumplimiento con las regulaciones de privacidad como GDPR, HIPAA y otras", dijo el presidente del comité, Khaled Younis. "Además, vemos una mejora en la precisión y generalización del modelo".
Para respaldar su último proyecto, el equipo, que incluye colaboradores de Case Western, Georgetown University, Mayo Clinic, University of California, San Diego, University of Florida y Vanderbilt University, utilizó NVIDIA FLARE (NVFlare), un marco de código abierto que incluye sólidas características de seguridad, técnicas avanzadas de protección de privacidad y una arquitectura de sistema flexible.
A través del Programa de Becas Académicas de NVIDIA, el comité recibió cuatro GPUs NVIDIA RTX A5000, que se distribuyeron entre los institutos de investigación participantes para configurar sus estaciones de trabajo para el aprendizaje federado. Otros colaboradores utilizaron GPUs de NVIDIA en la nube y en servidores locales, destacando la flexibilidad de NVFlare.
Descifrando el código para el aprendizaje federado
Cada uno de los seis centros médicos participantes proporcionó datos de alrededor de 50 estudios de imágenes médicas para el proyecto, enfocado en el carcinoma de células renales, un tipo de cáncer de riñón.
"La idea con el aprendizaje federado es que durante el entrenamiento intercambiamos el modelo en lugar de intercambiar los datos", dijo Yuankai Huo, profesor asistente de ciencias de la computación y director del Laboratorio de Representación y Aprendizaje de Datos Biomédicos en la Universidad de Vanderbilt.
En un marco de aprendizaje federado, un modelo global inicial transmite parámetros del modelo a los servidores cliente. Cada servidor utiliza esos parámetros para configurar una versión local del modelo que se entrena con los datos propietarios de la organización. Luego, los parámetros actualizados de cada uno de los modelos locales se envían de vuelta al modelo global, donde se agregan para producir un nuevo modelo global. El ciclo se repite hasta que las predicciones del modelo ya no mejoran con cada ronda de entrenamiento.
El grupo experimentó con arquitecturas de modelos e hiperparámetros para optimizar la velocidad de entrenamiento, la precisión y el número de estudios de imágenes necesarios para entrenar el modelo al nivel deseado de precisión.
Anotación asistida por IA con NVIDIA MONAI
En la primera fase del proyecto, los datos de entrenamiento utilizados para el modelo se etiquetaron manualmente. Para la siguiente fase, el equipo está utilizando NVIDIA MONAI para la anotación asistida por IA para evaluar cómo difiere el rendimiento del modelo con datos de entrenamiento segmentados con la ayuda de IA en comparación con los métodos de anotación tradicionales.
"La mayor dificultad con las actividades de aprendizaje federado es típicamente que los datos en diferentes sitios no son tremendamente uniformes. Las personas utilizan diferentes equipos de imagen, tienen diferentes protocolos y simplemente etiquetan sus datos de manera diferente", dijo Garrett. "Al entrenar el modelo de aprendizaje federado por segunda vez con la adición de MONAI, nuestro objetivo es descubrir si eso mejora la precisión general de la anotación".
El equipo está utilizando MONAI Label, una herramienta de etiquetado de imágenes que permite a los usuarios desarrollar aplicaciones personalizadas de anotación con IA, reduciendo el tiempo y el esfuerzo necesarios para crear nuevos conjuntos de datos. Los expertos validarán y refinarán las segmentaciones generadas por IA antes de que se utilicen para el entrenamiento del modelo.
Los datos para las fases de anotación manual y asistida por IA están alojados en Flywheel, una plataforma líder de datos de imágenes médicas e IA que ha integrado NVIDIA MONAI en sus ofertas.
Una vez que el proyecto esté completo, el equipo planea publicar su metodología, conjuntos de datos anotados y modelo preentrenado para apoyar trabajos futuros.
"Estamos interesados no solo en explorar estas herramientas", dijo Garrett, "sino también en publicar nuestro trabajo para que otros puedan aprender y usar estas herramientas en todo el campo médico".
Solicite una beca académica de NVIDIA
El Programa de Becas Académicas de NVIDIA impulsa la investigación académica proporcionando acceso y recursos informáticos de clase mundial a los investigadores. Las solicitudes están ahora abiertas para miembros de la facultad a tiempo completo en instituciones académicas acreditadas que estén utilizando la tecnología de NVIDIA para acelerar proyectos en simulación y modelado, IA generativa y modelos de lenguaje grandes.
Los ciclos de solicitud futuros se centrarán en proyectos de ciencia de datos, gráficos y visión, e IA de borde, incluyendo el aprendizaje federado.
Exención de responsabilidad
La información y las publicaciones que ofrecemos, no implican ni constituyen un asesoramiento financiero, ni de inversión, trading o cualquier otro tipo de consejo o recomendación emitida o respaldada por TradingView. Puede obtener información adicional en las Condiciones de uso.