Pusat Medis Gunakan AI untuk Deteksi Kanker yang Lebih Akurat

Pusat medis dan lembaga penelitian terkemuka di Amerika Serikat sedang memanfaatkan teknologi pembelajaran federasi yang didukung oleh Nvidia untuk mengembangkan model artificial intelligence (AI) yang lebih efektif dalam mendeteksi kanker, khususnya dalam segmentasi tumor. Dengan pendekatan ini, mereka berharap dapat meningkatkan kemampuan deteksi kanker sembari tetap menjaga keamanan dan privasi data.

Apa itu Pembelajaran Federasi?

Pembelajaran federasi adalah teknik yang memungkinkan pengembangan model AI yang lebih akurat tanpa memindahkan data sensitif dari server masing-masing institusi. Dengan adanya pembelajaran federasi, organisasi dapat bekerja sama untuk mengembangkan model AI tanpa harus membagikan data pribadi yang bersifat rahasia. Ini sangat relevan dalam konteks peraturan privasi yang ketat seperti GDPR dan HIPAA.

Menurut John Garrett, profesor radiologi di University of Wisconsin-Madison, berbagi data antar lembaga sering kali menjadi tantangan karena kendala privasi dan manajemen data. "Pembelajaran federasi merupakan satu-satunya solusi praktis untuk mengikuti perkembangan AI di bidang pencitraan medis," ujarnya. Garrett juga merupakan anggota Subkomite Alat dan Penelitian Pembelajaran Mesin dari Society for Imaging Informatics and Medicine (SIIM), yang telah berkolaborasi dengan Nvidia sejak 2019.

Khaled Younis, ketua komite, menambahkan bahwa teknik ini tidak hanya meningkatkan privasi dan keamanan data, tetapi juga membantu menghasilkan model AI yang lebih akurat dan dapat digeneralisasi.

Kolaborasi Lintas Institusi

Proyek ini melibatkan sejumlah institusi ternama, seperti Case Western, Universitas Georgetown, Mayo Clinic, dan Universitas Vanderbilt. Mereka menggunakan Nvidia FLARE (NVFlare), sebuah kerangka kerja sumber terbuka yang menawarkan fitur keamanan canggih dan teknik perlindungan privasi tingkat tinggi.

Untuk mendukung proyek ini, tim menerima empat unit GPU NVIDIA RTX A5000 melalui Program Hibah Akademik Nvidia. Unit-unit ini akan didistribusikan ke berbagai lembaga penelitian yang terlibat untuk mempersiapkan workstation mereka dalam rangka mendukung pembelajaran federasi. Selain itu, beberapa kolaborator juga menggunakan GPU yang tersedia di cloud dan server lokal, menunjukkan fleksibilitas NVFLARE dalam memenuhi berbagai kebutuhan.

Fokus pada Kanker Ginjal

Dalam proyek ini, enam pusat medis yang berpartisipasi menyediakan data dari sekitar 50 studi pencitraan medis yang berfokus pada karsinoma sel ginjal. Yuankai Huo, asisten profesor ilmu komputer di Universitas Vanderbilt, menjelaskan bahwa pembelajaran federasi memungkinkan mereka untuk berbagi model, bukan data.

Proses pembelajaran federasi dimulai dengan model global yang membagikan parameter kepada server klien. Setiap server kemudian menggunakan parameter tersebut untuk melatih versi lokal model berdasarkan data yang dimiliki. Setelah proses pelatihan selesai, parameter yang diperbarui dari masing-masing model lokal dikirim kembali ke model global untuk memperbaharui model tersebut. Proses ini diulang hingga tidak ada lagi peningkatan yang signifikan pada akurasi model.

Anotasi AI Menggunakan Nvidia MONAI

Pada fase awal proyek, tim memberikan label pada data pelatihan secara manual. Namun, untuk fase selanjutnya, mereka beralih ke Nvidia MONAI, sebuah alat anotasi berbantuan AI, untuk mengevaluasi kinerja model dengan data yang tersegmentasi secara otomatis dibandingkan dengan metode anotasi tradisional.

Garrett mencatat bahwa tantangan utama dalam pembelajaran federasi adalah variasi data yang ada di lokasi berbeda. "Penggunaan alat pencitraan yang bervariasi dan protokol pelabelan yang berbeda menyebabkan ketidakseragaman dalam data," ungkapnya. Dengan bantuan MONAI, tim berupaya meningkatkan akurasi keseluruhan anotasi.

MONAI Label, yang memungkinkan pengguna untuk mengembangkan aplikasi anotasi AI khusus, digunakan untuk mempercepat pembuatan kumpulan data baru. Para ahli akan memvalidasi dan menyempurnakan segmentasi yang dihasilkan oleh AI sebelum digunakan untuk pelatihan lebih lanjut.

Penyimpanan dan Publikasi Data

Data dari fase anotasi, baik manual maupun berbantuan AI, dihosting di Flywheel, platform unggulan dalam pencitraan medis yang telah mengintegrasikan Nvidia MONAI. Setelah proyek selesai, tim berencana untuk menerbitkan metodologi, kumpulan data beranotasi, serta model yang telah dilatih sebelumnya untuk mendukung penelitian di masa depan.

"Kami ingin tidak hanya menjelajahi alat ini tetapi juga membagikan hasil penelitian kami agar dapat dimanfaatkan oleh peneliti lain di bidang medis," kata Garrett. Dengan inisiatif ini, diharapkan perkembangan AI dalam deteksi kanker dapat dilakukan lebih efisien dan kolaborasi antar institusi dapat menghasilkan terobosan baru yang bermanfaat bagi masyarakat.