Empowering Surgical Embodied Intelligence: A Blockchain-based Federated Learning Framework for Collaborative Video Analysis
Dit artikel stelt een blockchain-gebaseerd federated learning-framework voor dat de kwetsbaarheden van een centrale server elimineert en gegevensprivacy waarborgt door middel van gedecentraliseerde consensus en hybride modelarchitecturen, waardoor veilige, collaboratieve analyse van chirurgische video's mogelijk wordt om chirurgische belichaamde intelligentie te bevorderen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de operatiekamer wordt de toekomst van de chirurgie geschreven in video. Chirurgen vertrouwen op de visuele stroom van een operatie—de precieze beweging van instrumenten, het verschuiven van weefsel, het ritme van een procedure—om in een fractie van een seconde beslissingen te nemen. Om machines de dag te kunnen komen dat zij deze taken autonoom ondersteunen of zelfs uitvoeren, moeten zij eerst leren om deze scènes te zien en te begrijpen met dezelfde betrouwbaarheid als een menselijke expert. Dit vakgebied, bekend als chirurgische belichaamde intelligentie (surgical embodied intelligence), heeft als doel robots een visueel gevoel te geven voor de wereld die zij op het punt staan te manipuleren. Het aanleren van het herkennen van een chirurgische fase is echter geen eenvoudige taak waarbij de machine simpelweg enkele uren aan beeldmateriaal wordt gevoerd. Het vereist enorme hoeveelheden diverse data uit veel verschillende ziekenhuizen om ervoor te zorgen dat de machine de variaties in verlichting, camerahoeken en chirurgische stijlen die in de echte wereld voorkomen, kan aan kunnen.
De centrale hindernis voor deze vooruitgang is privacy. Medische dossiers en chirurgische video's behoren tot de meest gevoelige gegevens die een persoon bezit, beschermd door strikte wetten die voorkomen dat ziekenhuizen hun ruwe beelden simpelweg met elkaar of met externe onderzoekers delen. Dit creëert een situatie waarin waardevolle data geïsoleerd in "silo's" ligt, wat de creatie van de grote, diverse datasets verhindert die nodig zijn om robuuste kunstmatige intelligentie te trainen. Hoewel een methode genaamd federated learning is voortgekomen als een manier om modellen te trainen zonder de data te verplaatsen, vertrouwt dit traditioneel op een centrale server om het proces te coördineren. Dit centrale punt creëert een nieuwe kwetsbaarheid: als die server wordt gecompromitteerd of zich onbetrouwbaar gedraagt, faalt het hele systeem en loopt de privacy van de deelnemende ziekenhuizen gevaar.
Om dit op te lossen, heeft een team van onderzoekers een nieuw framework ontwikkeld dat de centrale server volledig vervangt door een beveiligd, gedeeld grootboek dat bekend staat als een blockchain. In dit systeem kunnen meerdere medische centra samenwerken om één enkel, krachtig model voor kunstmatige intelligentie te trainen zonder ooit hun privé videobestanden uit te wisselen. De onderzoekers testten deze aanpak met behulp van chirurgische video's uit drie publieke datasets, die beelden bevatten van tachtig verschillende operaties die zijn opgenomen in acht verschillende medische centra. Deze video's legden de zeven standaardfasen van een galblaasverwijdering vast, van de initiële voorbereiding tot de uiteindelijke retractie van het orgaan. De data was bewust divers, met verschillende camerahoeken, lichtomstandigheden en chirurgische technieken om de rommelige realiteit van de operatiekamer na te bootsen.
De onderzoekers ontwierpen een systeem waarbij elk ziekenhuis een deel van het model traint op zijn eigen lokale data. Ze splitsen de leertaak op in twee delen: een "gedeelde" component die algemene visuele patronen leert die voor alle operaties gelden, zoals de vorm van een chirurgisch instrument, en een "privé" component die de unieke, tijdsgebonden ritmes leert die specifiek zijn voor de workflow van dat ziekenhuis. Zodra een ziekenhuis de training heeft voltooid, versleutelt het de updates en stuurt deze naar het netwerk. In plaats van een centrale baas die deze updates verzamelt, werken de ziekenhuizen samen om ze te verifiëren. Ze controleren of de updates echt zijn en niet zijn aangepast, met behulp van een proces dat lijkt op een groepsstemming waarbij de meest betrouwbare bijdragen zwaarder worden gewogen. Deze verificatie vindt plaats op een blockchain, een digitaal register dat niet kan worden gewijzigd, waardoor elke stap van de samenwerking transparant en betrouwbaar is.
De resultaten van dit experiment toonden aan dat deze gedecentraliseerde aanpak traditionele methoden overtrof. Wanneer de onderzoekers maten hoe goed het model de verschillende fasen van de chirurgie kon identificeren, bereikte hun nieuwe systeem een hogere nauwkeurigheid en een betere consistentie over alle verschillende medische centra dan de standaardmethoden die vandaag de dag worden gebruikt. In specifieke tests verbeterde het nieuwe framework de algehele nauwkeurigheid met een merkbaar verschil, wat bewees dat het de verschillen tussen ziekenhuizen kon aanpakken zonder het vermogen te verliezen om kritieke stappen te herkennen. Het systeem demonstreerde ook een sterk vermogen om interferentie te weerstaan; zelfs toen de onderzoekers de aanwezigheid van kwaadwillende actoren simuleerden die probeerden de training te verstoren, bleef het model stabiel en accuraat.
Door te bewijzen dat ziekenhuizen veilig kunnen samenwerken zonder een centrale autoriteit, biedt dit werk een praktische weg voorwaarts voor medische kunstmatige intelligentie. Het suggereert dat de visuele perceptie die vereist is voor toekomstige autonome chirurgische robots, gebouwd kan worden door kennis uit vele bronnen te poolen terwijl de patiëntgegevens veilig blijven. De studie bevestigt dat een betrouwbare, gedecentraliseerde basis mogelijk is, waardoor het veld kan verschuiven van het louter analyseren van video's naar het actief assisteren in de operatiekamer. Dit framework verbetert niet alleen een computerprogramma; het vestigt een nieuwe manier voor medische instellingen om samen te werken, waardoor geïsoleerde data wordt omgezet in een gedeelde bron die machines uiteindelijk kan helpen de complexe, levensreddende vaardigheden van een chirurg te leren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.