Sviluppo di un sistema di apprendimento federato per l'individuazione automatica di polipi del tratto gastro-intestinale da immagini endoscopiche su una piattaforma IoT

The early detection of colorectal polyps is crucial for colorectal cancer prevention, however current endoscopic techniques have limitations regarding detection accuracy and efficiency, since most studies proved a significant number of polyps can be missed out during routine exam procedures. Deep Learning-based computer detection systems have been developed to assist endoscopists with real-time polyp detection but training these models on medical data raises concerns about privacy, data security, and regulatory compliance. This thesis explores the integration of Federated Learning (FL), a Machine learning paradigm that allows multiple institutions to collaboratively train a distributed AI model without sharing sensitive patient data. The work develops a Federated Learning system for automatic GI polyp detection based on an IoT-based platform. In such a context, the role of edge devices will be played by a small fleet of prototypes of a "smart" endoscope able to process in real-time streams through a YOLOv5 deep learning model. The training infrastructure will be created using the NVFlare framework, which is an open-source FL platform for privacy-preserving AI applications. This approach ensures data privacy while improving accuracy and reliability for polyp detection without sharing personal data. Experimental assessments of the centralized approach demonstrated the efficacy and high accuracy of the YOLOv5 model for polyp detection, achieving strong performance in terms of mAP. Evaluations of the federated training scenarios indicated that it produced comparable performance compared to the centralized learning environment while maintaining data privacy. Moreover, the applicability of the inference-federated hybrid system was demonstrated, which allowed real-time polyp detection. Limitations were identified, including hardware capabilities and communications latency. This suggests future optimizations could be made to the growing area of AI that focuses on patient privacy in imaging studies, and create opportunities for using federated AI, in practice.

La tempestiva rilevazione dei polipi del tratto gastro-intestinale è di fondamentale importanza per la prevenzione del cancro colon-rettale. Le tecniche endoscopiche attuali presentano limitazioni in termini di accuratezza e efficienza della rilevazione, poiché studi hanno dimostrato che un numero significativo di polipi può essere trascurato durante le procedure di esame di routine. Per ovviare a questo problema, diversi sistemi di rilevazione basati su Deep Learning sono stati sviluppati per assistere gli endoscopisti nella rilevazione in tempo reale dei polipi, ma l'addestramento di questi modelli su dati medici solleva preoccupazioni riguardo alla privacy, alla sicurezza dei dati e alla conformità alle normative. Questa tesi esplora l'integrazione del Federated Learning (FL), un paradigma di Machine Learning che consente a più istituzioni di addestrare collaborativamente un modello di intelligenza artificiale senza condividere i dati sensibili dei pazienti. Il progetto si pone l’obbiettivo di sviluppare un sistema di Federated Learning per la rilevazione automatica dei polipi gastrointestinali basato su una piattaforma IoT. In questo contesto, il ruolo dei dispositivi edge sarà ricoperto da una piccola flotta di prototipi di endoscopi "intelligenti" in grado di elaborare in tempo reale i flussi di immagini tramite un modello deep learning YOLOv5. L'infrastruttura di addestramento sarà creata utilizzando il framework NVFlare, che è una piattaforma FL open-source per applicazioni di IA che preservano la privacy. Questo approccio garantisce la privacy dei dati migliorando al contempo l'accuratezza e l'affidabilità per la rilevazione dei polipi senza condividere dati personali. Le valutazioni sperimentali dell'approccio centralizzato hanno dimostrato l'efficacia e l'alta accuratezza del modello YOLOv5 per la rilevazione dei polipi, ottenendo ottime prestazioni in termini di mAP. Le valutazioni degli scenari di addestramento federato hanno indicato prestazioni comparabili rispetto a un ambiente di apprendimento centralizzato, mantenendo la privacy dei dati. Inoltre, è stata dimostrata l'applicabilità del sistema ibrido di inferenza-federato, che ha permesso la rilevazione dei polipi in tempo reale. Sono state identificate delle limitazioni, tra cui le capacità hardware e la latenza delle comunicazioni. Questo suggerisce che potrebbero essere effettuate ottimizzazioni future in quest'area in crescita dell'IA che si concentra sulla privacy del paziente negli studi di imaging, creando opportunità per l'uso pratico dell'IA federata.