JP7374202B2 - 機械学習システムおよび方法、統合サーバ、プログラムならびに推論モデルの作成方法 - Google Patents
機械学習システムおよび方法、統合サーバ、プログラムならびに推論モデルの作成方法 Download PDFInfo
- Publication number
- JP7374202B2 JP7374202B2 JP2021548338A JP2021548338A JP7374202B2 JP 7374202 B2 JP7374202 B2 JP 7374202B2 JP 2021548338 A JP2021548338 A JP 2021548338A JP 2021548338 A JP2021548338 A JP 2021548338A JP 7374202 B2 JP7374202 B2 JP 7374202B2
- Authority
- JP
- Japan
- Prior art keywords
- client
- learning
- accuracy
- master model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims description 79
- 238000000034 method Methods 0.000 title claims description 57
- 230000013016 learning Effects 0.000 claims description 370
- 230000006866 deterioration Effects 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 69
- 238000004891 communication Methods 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 49
- 238000013500 data storage Methods 0.000 claims description 38
- 238000012795 verification Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000007717 exclusion Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 29
- 238000013473 artificial intelligence Methods 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000010365 information processing Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000002542 deteriorative effect Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 101150013204 MPS2 gene Proteins 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 241001421757 Arcas Species 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000012152 algorithmic method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 201000003639 autosomal recessive cerebellar ataxia Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
図1は、本発明の実施形態に係る機械学習システムの概要を示す概念図である。機械学習システム10は、フェデレーテッドラーニングの仕組みを利用して機械学習を行うコンピュータシステムである。機械学習システム10は、複数のクライアント20と、統合サーバ30と、を含む。フェデレーテッドラーニングは「フェデレーションラーニング」、「連携学習」、あるいは「連合学習」などと呼ばれることがある。
本発明の実施形態に係る機械学習システム10による機械学習方法の例を説明する。以下に示す手順1から手順11にしたがって機械学習システム10が動作する。
次に、機械学習システム10の具体的な構成の例について説明する。図2は、本発明の実施形態に係る機械学習システム10のシステム構成例を概略的に示す図である。まず、医療機関ネットワーク50の例を説明する。図2では、図示を簡単にするために、複数の医療機関のそれぞれに同じシステム構成の医療機関ネットワーク50が設置されている場合の例を示すが、医療機関ごとに異なるシステム構成の医療機関ネットワークが構築されてもよい。
図3は、統合サーバ30の構成例を示すブロック図である。統合サーバ30は、1台または複数台のコンピュータを用いて構成されるコンピュータシステムによって実現することができる。統合サーバ30は、コンピュータにプログラムをインストールし、実行することにより実現される。
図4は、クライアント20の一例であるCADサーバ60の構成例を示すブロック図である。CADサーバ60は、1台または複数台のコンピュータを用いて構成されるコンピュータシステムによって実現することができる。CADサーバ60は、コンピュータにプログラムをインストールし、実行することにより実現される。
図4に示すCADサーバ60のコンピュータ可読媒体604には、ローカル学習管理プログラム630と診断支援プログラム640とを含む各種プログラムおよびデータが記憶されている。プロセッサ602がローカル学習管理プログラム630の命令を実行することにより、コンピュータは同期処理部631、学習データ取得部632、ローカルモデルLM、誤差演算部634、オプティマイザ635、学習結果保存部636、および送信処理部637として機能する。ローカル学習管理プログラム630は本開示における「第2のプログラム」の一例である。
既に説明したとおり、医療機関ネットワーク50に存在するクライアント端末(クライアント20)上に、ローカル学習管理プログラム630を構築する。ここでいうクライアント端末は、例えば図2におけるCADサーバ60であってよい。このローカル学習管理プログラム630は、学習前のマスターモデルMMとローカルモデルLMの同期、ローカル学習の起動、ローカル学習の終了条件の設定、並びに、ローカル学習終了時にローカル学習の結果を統合サーバ30に送信する機能を有する。
図6は、学習用クライアント選別プログラム38に基づく統合サーバ30の動作の例を示すフローチャートである。図6に示すフローチャートのステップは、プロセッサ302が学習用クライアント選別プログラム38の命令に従って実行する。
図7は、評価用プログラム34に基づく統合サーバ30の動作の例を示すフローチャートである。図7に示すフローチャートは、図6のステップS34に適用される。
ここで統合サーバ30による処理のさらに具体的な例を説明する。学習用クライアント選別プログラム38および評価用プログラム34を含む統合サーバ30によって以下に示す[手順301]~[手順311]の処理が実行される。
サブクラスタclient_cluster_X_1, client_cluster_X_2,...,client_cluster_X_Lのそれぞれのクライアント数は同数であってよい。
図8は、コンピュータのハードウェア構成の例を示すブロック図である。コンピュータ800は、パーソナルコンピュータであってもよいし、ワークステーションであってもよく、また、サーバコンピュータであってもよい。コンピュータ800は、既に説明したクライアント20、統合サーバ30、PACSサーバ58、CADサーバ60、及び端末62のいずれかの一部または全部、あるいはこれらの複数の機能を備えた装置として用いることができる。
上述の実施形態で説明した各クライアント20におけるローカル学習機能、ならびに統合サーバ30におけるマスターモデル候補作成機能および推論精度評価機能を含む学習用クライアント選別機能などの各種の処理機能のうち少なくとも1つの処理機能の一部または全部をコンピュータに実現させるプログラムを、光ディスク、磁気ディスク、若しくは、半導体メモリその他の有体物たる非一時的な情報記憶媒体であるコンピュータ可読媒体に記録し、この情報記憶媒体を通じてプログラムを提供することが可能である。
図3に示すマスターモデル保存部320、検証用データ保存部322、クライアントクラスタ抽出部332、マスターモデル候補作成部334、精度悪化要因抽出部336、除外処理部338、推論部342、推論精度算出部344、精度閾値比較部346、表示制御部350、図4に示す同期処理部631、学習データ取得部632、ローカルモデルLM、誤差演算部634、オプティマイザ635、学習結果保存部636、送信処理部637、AI-CAD部642、および表示制御部650などの各種の処理を実行する処理部(processing unit)のハードウェア的な構造は、例えば、次に示すような各種のプロセッサ(processor)である。
本発明の実施形態に係る機械学習システム10によれば、次のような利点がある。
上述の実施形態では、医用画像診断用のAIモデルを例に説明したが、本開示の技術の適用範囲はこの例に限らず、例えば、入力データとして時系列データを用いるAIモデルまたは入力データとして文書データを用いるAIモデルについて、学習を行う場合にも適用することができる。時系列データは、例えば心電図の波形データなどであってよい。文書データは、例えば診断レポートなどであってよく、レポートの作成支援を行うAIモデルの学習に適用することができる。
統合サーバ30は、精度悪化要因のクライアントに対して、以降の学習から除外する措置をとることに加えて、または、これに代えて、精度悪化要因のクライアントに対して、問題があること伝える通知を行ってもよい。
上述の実施形態で説明した構成や変形例で説明した事項は、適宜組み合わせて用いることができ、また、一部の事項を置き換えることもできる。本発明は上述した実施形態に限定されず、本発明の精神を逸脱しない範囲で種々の変形が可能である。
20 クライアント
30 統合サーバ
34 評価用プログラム
36 データベース
38 学習用クライアント選別プログラム
50 医療機関ネットワーク
52 CT装置
54 MRI装置
56 CR装置
58 PACSサーバ
60 CADサーバ
62 端末
64 構内通信回線
70 広域通信回線
80 学習データ保存部
302 プロセッサ
304 コンピュータ可読媒体
306 通信インターフェース
308 入出力インターフェース
310 バス
314 入力装置
316 表示装置
320 マスターモデル保存部
322 検証用データ保存部
324 同期プログラム
332 クライアントクラスタ抽出部
334 マスターモデル候補作成部
336 精度悪化要因抽出部
338 除外処理部
342 推論部
344 推論精度算出部
346 精度閾値比較部
350 表示制御部
602 プロセッサ
604 コンピュータ可読媒体
606 通信インターフェース
608 入出力インターフェース
610 バス
614 入力装置
616 表示装置
630 ローカル学習管理プログラム
631 同期処理部
632 学習データ取得部
634 誤差演算部
635 オプティマイザ
636 学習結果保存部
637 送信処理部
640 診断支援プログラム
642 AI-CAD部
650 表示制御部
800 コンピュータ
802 CPU
804 RAM
806 ROM
808 GPU
810 ストレージ
812 通信部
814 入力装置
816 表示装置
818 バス
DM 悪魔マーク
LD ローカルデータ
LM ローカルモデル
MM マスターモデル
MMC マスターモデル候補
MMC1 マスターモデル候補
MMCK マスターモデル候補
TD 検証用データ
S21~S25 ローカル学習管理処理のステップ
S31~S39 学習用クライアント選別処理のステップ
S41~S46 推論精度の評価処理のステップ
Claims (21)
- 複数のクライアント端末と、統合サーバと、を含む機械学習システムであって、
前記複数のクライアント端末のそれぞれは、
医療機関のデータ保存装置に保存されているデータを学習データに用いて学習モデルの機械学習を実行する学習処理部と、
前記学習モデルの学習結果を前記統合サーバに送信する送信部と、を含み、
前記統合サーバは、
学習済みのマスターモデルと、
前記複数のクライアント端末にそれぞれの前記学習モデルを学習させる前に、各クライアント端末側の前記学習モデルと前記マスターモデルとを同期させる同期処理部と、
前記複数のクライアント端末からそれぞれの前記学習結果を受信する受信部と、
前記複数のクライアント端末を複数のグループに分けて複数のクライアントクラスタを作成するクライアントクラスタ作成部と、
前記クライアントクラスタごとの前記学習結果を統合してマスターモデル候補を前記クライアントクラスタごとに作成するマスターモデル候補作成部と、
前記クライアントクラスタごとに作成された前記マスターモデル候補のそれぞれの推論精度を評価することにより、前記推論精度が精度閾値を下回っている前記マスターモデル候補を検出する精度評価部と、
前記推論精度が精度閾値を下回っている前記マスターモデル候補の作成に用いられた前記クライアントクラスタの中から精度悪化要因となっているクライアント端末を抽出する精度悪化要因抽出部と、
を備える機械学習システム。 - 前記統合サーバは、
前記精度悪化要因抽出部によって抽出された前記精度悪化要因の前記クライアント端末を、以降の学習から除外する除外処理部をさらに備える、請求項1に記載の機械学習システム。 - 前記統合サーバは、
前記精度悪化要因抽出部によって抽出された前記精度悪化要因の前記クライアント端末の情報を保存する情報保存部をさらに備える、請求項1または2に記載の機械学習システム。 - 前記複数のクライアント端末のそれぞれは、異なる医療機関の医療機関ネットワーク内に設置される端末である、請求項1から3のいずれか一項に記載の機械学習システム。
- 前記統合サーバは、医療機関ネットワーク内または医療機関ネットワーク外に設置される、請求項1から4のいずれか一項に記載の機械学習システム。
- 前記クライアント端末から前記統合サーバに送信される前記学習結果は、学習後の前記学習モデルの重みパラメータを含む、請求項1から5のいずれか一項に記載の機械学習システム。
- 前記学習データとして使用される前記データは、2次元画像、3次元画像、動画像、時系列データおよび文書データのうち少なくとも1つの種類のデータを含む、
請求項1から6のいずれか一項に記載の機械学習システム。 - 前記学習モデル、前記マスターモデル、および前記マスターモデル候補の各モデルは、ニューラルネットワークを用いて構成される、請求項1から7のいずれか一項に記載の機械学習システム。
- 前記学習データとして使用される前記データは2次元画像、3次元画像または動画像を含み、
前記学習モデル、前記マスターモデル、および前記マスターモデル候補の各モデルは、畳み込みニューラルネットワークを用いて構成される、請求項1から8のいずれか一項に記載の機械学習システム。 - 前記学習データとして使用される前記データは時系列データまたは文書データを含み、
前記学習モデル、前記マスターモデル、および前記マスターモデル候補の各モデルは、再帰型ニューラルネットワークを用いて構成される、請求項1から8のいずれか一項に記載の機械学習システム。 - 前記複数のクライアントクラスタのそれぞれを構成する前記クライアント端末の数が同数であり、各クライアントクラスタを構成する前記クライアント端末は非重複である、請求項1から10のいずれか一項に記載の機械学習システム。
- 前記統合サーバは、
前記複数のマスターモデル候補のそれぞれが前記複数のクライアントクラスタのうちのどのクライアントクラスタを基に作成されているかという対応関係を示す情報を保存する関連付け情報保存部をさらに備える、請求項1から11のいずれか一項に記載の機械学習システム。 - 前記精度評価部は、前記マスターモデル候補のそれぞれの推論精度の瞬時値と前記精度閾値との比較に基づいて、または、前記マスターモデル候補のそれぞれの学習イテレーションにおける推論精度の統計値と前記精度閾値との比較に基づいて、前記マスターモデル候補の推論精度が前記精度閾値を下回っているか否かを判定する、請求項1から12のいずれか一項に記載の機械学習システム。
- 前記精度評価部は、前記精度閾値を下回る推論精度の前記マスターモデル候補を検出した場合に、その検出に係る前記マスターモデル候補の情報を前記精度悪化要因抽出部に通知する、請求項1から13のいずれか一項に記載の機械学習システム。
- 前記統合サーバは、
前記クライアントクラスタごとに作成される前記マスターモデル候補のそれぞれの各学習イテレーションにおける推論精度が表示される表示装置をさらに備える、請求項1から14のいずれか一項に記載の機械学習システム。 - 検証用データが保存されている検証用データ保存部をさらに備え、
前記精度評価部は、前記検証用データを用いて前記マスターモデル候補の前記推論精度を評価する、請求項1から15のいずれか一項に記載の機械学習システム。 - 複数のクライアント端末と、統合サーバと、を用いる機械学習方法であって、
前記複数のクライアント端末のそれぞれに学習モデルを学習させる前に、各クライアント端末側の前記学習モデルと、前記統合サーバに保存されている学習済みのマスターモデルとを同期させることと、
前記複数のクライアント端末のそれぞれが、互いに異なる医療機関のそれぞれのデータ保存装置に保存されているデータを学習データに用いて前記学習モデルの機械学習を実行することと、
前記複数のクライアント端末のそれぞれが、前記学習モデルの学習結果を前記統合サーバに送信することと、
前記統合サーバが、
前記複数のクライアント端末からそれぞれの前記学習結果を受信することと、
前記複数のクライアント端末を複数のグループに分けて複数のクライアントクラスタを作成することと、
前記クライアントクラスタごとの前記学習結果を統合してマスターモデル候補を前記クライアントクラスタごとに作成することと、
前記クライアントクラスタごとに作成された前記マスターモデル候補のそれぞれの推論精度を評価することにより、前記推論精度が精度閾値を下回っている前記マスターモデル候補を検出することと、
前記推論精度が精度閾値を下回っている前記マスターモデル候補の作成に用いられた前記クライアントクラスタの中から精度悪化要因となっているクライアント端末を抽出することと、
を含む機械学習方法。 - 通信回線を介して複数のクライアント端末と接続される統合サーバであって、
学習済みのマスターモデルを保存しておくマスターモデル保存部と、
前記複数のクライアント端末にそれぞれの学習モデルを学習させる前に、各クライアント端末側の前記学習モデルと前記マスターモデルとを同期させる同期処理部と、
前記複数のクライアント端末からそれぞれの学習結果を受信する受信部と、
前記複数のクライアント端末を複数のグループに分けて複数のクライアントクラスタを作成するクライアントクラスタ作成部と、
前記クライアントクラスタごとの前記学習結果を統合してマスターモデル候補を前記クライアントクラスタごとに作成するマスターモデル候補作成部と、
前記クライアントクラスタごとに作成された前記マスターモデル候補のそれぞれの推論精度を評価することにより、前記推論精度が精度閾値を下回っている前記マスターモデル候補を検出する精度評価部と、
前記推論精度が精度閾値を下回っている前記マスターモデル候補の作成に用いられた前記クライアントクラスタの中から精度悪化要因となっているクライアント端末を抽出する精度悪化要因抽出部と、
を備える統合サーバ。 - 通信回線を介して複数のクライアント端末と接続される統合サーバであって、
第1のプロセッサと、
前記第1のプロセッサによって実行される第1のプログラムが記録された非一時的な有体物である第1のコンピュータ可読媒体と、を含み、
前記第1のプロセッサは、前記第1のプログラムの命令に従い、
学習済みのマスターモデルを前記第1のコンピュータ可読媒体に保存しておくことと、 前記複数のクライアント端末にそれぞれの学習モデルを学習させる前に、各クライアント端末側の前記学習モデルと前記マスターモデルとを同期させることと、
前記複数のクライアント端末からそれぞれの学習結果を受信することと、
前記複数のクライアント端末を複数のグループに分けて複数のクライアントクラスタを作成することと、
前記クライアントクラスタごとの前記学習結果を統合してマスターモデル候補を前記クライアントクラスタごとに作成することと、
前記クライアントクラスタごとに作成された前記マスターモデル候補のそれぞれの推論精度を評価することにより、前記推論精度が精度閾値を下回っている前記マスターモデル候補を検出することと、
前記推論精度が精度閾値を下回っている前記マスターモデル候補の作成に用いられた前記クライアントクラスタの中から精度悪化要因となっているクライアント端末を抽出することと、
を含む処理を実行する、統合サーバ。 - 通信回線を介して複数のクライアント端末と接続される統合サーバとしてコンピュータを機能させるためのプログラムであって、
前記コンピュータに、
学習済みのマスターモデルを保存しておく機能と、
前記複数のクライアント端末にそれぞれの学習モデルを学習させる前に、各クライアント端末側の前記学習モデルと前記マスターモデルとを同期させる機能と、
前記複数のクライアント端末からそれぞれの学習結果を受信する機能と、
前記複数のクライアント端末を複数のグループに分けて複数のクライアントクラスタを作成する機能と、
前記クライアントクラスタごとの前記学習結果を統合してマスターモデル候補を前記クライアントクラスタごとに作成する機能と、
前記クライアントクラスタごとに作成された前記マスターモデル候補のそれぞれの推論精度を評価することにより、前記推論精度が精度閾値を下回っている前記マスターモデル候補を検出する機能と、
前記推論精度が精度閾値を下回っている前記マスターモデル候補の作成に用いられた前記クライアントクラスタの中から精度悪化要因となっているクライアント端末を抽出する機能と、
を実現させるためのプログラム。 - 複数のクライアント端末と、統合サーバと、を用いて機械学習を行うことにより、推論モデルを作成する方法であって、
前記複数のクライアント端末のそれぞれに学習モデルを学習させる前に、各クライアント端末側の前記学習モデルと、前記統合サーバに保存されている学習済みのマスターモデルとを同期させることと、
前記複数のクライアント端末のそれぞれが、互いに異なる医療機関のそれぞれのデータ保存装置に保存されているデータを学習データに用いて前記学習モデルの機械学習を実行することと、
前記複数のクライアント端末のそれぞれが、前記学習モデルの学習結果を前記統合サーバに送信することと、
前記統合サーバが、
前記複数のクライアント端末からそれぞれの前記学習結果を受信することと、
前記複数のクライアント端末を複数のグループに分けて複数のクライアントクラスタを作成することと、
前記クライアントクラスタごとの前記学習結果を統合してマスターモデル候補を前記クライアントクラスタごとに作成することと、
前記クライアントクラスタごとに作成された前記マスターモデル候補のそれぞれの推論精度を評価することにより、前記推論精度が精度閾値を下回っている前記マスターモデル候補を検出することと、
前記推論精度が前記精度閾値を下回っている前記マスターモデル候補の作成に用いられた前記クライアントクラスタの中から精度悪化要因となっているクライアント端末を抽出することと、
前記推論精度が前記精度閾値以上である前記マスターモデル候補を基に、前記マスターモデルよりも推論精度が高い前記推論モデルを作成することと、
を含む推論モデルの作成方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019175714 | 2019-09-26 | ||
JP2019175714 | 2019-09-26 | ||
PCT/JP2020/022609 WO2021059607A1 (ja) | 2019-09-26 | 2020-06-09 | 機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021059607A1 JPWO2021059607A1 (ja) | 2021-04-01 |
JP7374202B2 true JP7374202B2 (ja) | 2023-11-06 |
Family
ID=75164976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021548338A Active JP7374202B2 (ja) | 2019-09-26 | 2020-06-09 | 機械学習システムおよび方法、統合サーバ、プログラムならびに推論モデルの作成方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220172844A1 (ja) |
JP (1) | JP7374202B2 (ja) |
DE (1) | DE112020003387T5 (ja) |
WO (1) | WO2021059607A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220309054A1 (en) * | 2021-03-24 | 2022-09-29 | International Business Machines Corporation | Dynamic updating of digital data |
WO2023132791A2 (en) * | 2022-01-04 | 2023-07-13 | Nanyang Technological University | Method and system for variable on-demand privacy- preserving federated learning using multiparty computation |
WO2023188259A1 (ja) * | 2022-03-31 | 2023-10-05 | 日本電信電話株式会社 | 秘密グローバルモデル計算装置、秘密グローバルモデル計算システム構成方法、プログラム |
JP2023173559A (ja) | 2022-05-26 | 2023-12-07 | 株式会社日立製作所 | 分析装置、分析方法、および分析プログラム |
CN117675596A (zh) * | 2022-08-09 | 2024-03-08 | 华为技术有限公司 | 一种数据分析方法及装置 |
WO2024031986A1 (zh) * | 2022-08-12 | 2024-02-15 | 华为云计算技术有限公司 | 一种模型管理方法及相关设备 |
CN115773562A (zh) * | 2022-11-24 | 2023-03-10 | 杭州经纬信息技术股份有限公司 | 基于联邦学习的统一化暖通空调系统故障检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017174298A (ja) | 2016-03-25 | 2017-09-28 | 株式会社デンソーアイティーラボラトリ | ニューラルネットワークシステム、端末装置、管理装置およびニューラルネットワークにおける重みパラメータの学習方法 |
WO2019022052A1 (ja) | 2017-07-28 | 2019-01-31 | プラスマン合同会社 | 情報処理装置、システムおよび情報処理方法 |
WO2019170785A1 (en) | 2018-03-07 | 2019-09-12 | Movidius Ltd. | Determining weights of convolutional neural networks |
-
2020
- 2020-06-09 DE DE112020003387.2T patent/DE112020003387T5/de active Pending
- 2020-06-09 JP JP2021548338A patent/JP7374202B2/ja active Active
- 2020-06-09 WO PCT/JP2020/022609 patent/WO2021059607A1/ja active Application Filing
-
2022
- 2022-02-16 US US17/673,764 patent/US20220172844A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017174298A (ja) | 2016-03-25 | 2017-09-28 | 株式会社デンソーアイティーラボラトリ | ニューラルネットワークシステム、端末装置、管理装置およびニューラルネットワークにおける重みパラメータの学習方法 |
WO2019022052A1 (ja) | 2017-07-28 | 2019-01-31 | プラスマン合同会社 | 情報処理装置、システムおよび情報処理方法 |
WO2019170785A1 (en) | 2018-03-07 | 2019-09-12 | Movidius Ltd. | Determining weights of convolutional neural networks |
Non-Patent Citations (1)
Title |
---|
FUNG, Clement et al.,"Mitigating Sybils in Federated Learning Poisoning",arXiv.org [online],arXiv:1808.04866v4,Cornell University,2019年05月,pp.1-16,[検索日 2020.08.27], インターネット:<URL: https://arxiv.org/pdf/1808.04866v4> |
Also Published As
Publication number | Publication date |
---|---|
JPWO2021059607A1 (ja) | 2021-04-01 |
WO2021059607A1 (ja) | 2021-04-01 |
DE112020003387T5 (de) | 2022-04-14 |
US20220172844A1 (en) | 2022-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7374202B2 (ja) | 機械学習システムおよび方法、統合サーバ、プログラムならびに推論モデルの作成方法 | |
CN108784655B (zh) | 针对医疗患者的快速评估和后果分析 | |
Ueda et al. | Technical and clinical overview of deep learning in radiology | |
CN111344801B (zh) | 针对前列腺癌的多模态计算机辅助诊断系统和方法 | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
US20180144244A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
US20190156947A1 (en) | Automated information collection and evaluation of clinical data | |
JP2020500378A (ja) | ディープラーニング医療システムおよび医療処置のための方法 | |
Mazzanti et al. | Imaging, health record, and artificial intelligence: hype or hope? | |
US20220237898A1 (en) | Machine learning system and method, integration server, information processing apparatus, program, and inference model creation method | |
CN113168912B (zh) | 使用深度学习确定3d数据集中对象的增长速度 | |
JP2021056995A (ja) | 医用情報処理装置、医用情報処理システム及び医用情報処理方法 | |
Gao et al. | Chest X-ray image analysis and classification for COVID-19 pneumonia detection using Deep CNN | |
JP7058988B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
US20220164661A1 (en) | Machine learning system and method, integration server, information processing apparatus, program, and inference model creation method | |
CN114051623A (zh) | 使用ai编排进行图像处理和路由 | |
Dack et al. | Artificial intelligence and interstitial lung disease: Diagnosis and prognosis | |
JP2022537818A (ja) | 機械学習されたモデルを使用して皮膚状態を診断すること | |
Suman et al. | Attention based CNN-LSTM network for pulmonary embolism prediction on chest computed tomography pulmonary angiograms | |
Kaur et al. | A review on optimization techniques for medical image analysis | |
WO2021101833A1 (en) | Methods and systems for remote analysis of medical image records | |
US20230004785A1 (en) | Machine learning system and method, integration server, information processing apparatus, program, and inference model creation method | |
Huang et al. | A review of uncertainty quantification in medical image analysis: probabilistic and non-probabilistic methods | |
US9526457B2 (en) | Predictive intervertebral disc degeneration detection engine | |
Rajaraman et al. | Uncovering the effects of model initialization on deep model generalization: A study with adult and pediatric chest X-ray images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220406 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230517 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230711 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231013 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231024 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7374202 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |