إنتل وبين ميدسين تقران أكبر دراسة لتعلم الفيدرالية الطبية

أعلنت إنتل لابس و مدرسة بيرلمان للطب في جامعة بنسيلفانيا (بين ميدسين) عن نتائج أكبر دراسة لتعلم الفيدرالية الطبية. استخدمت الدراسة البحثية التعلم الآلي (ML) والذكاء الاصطناعي (AI) لمساعدة المؤسسات الصحية والبحثية الدولية في تحديد الأورام الدماغية الخبيثة.

نشرت الأبحاث في نيتشر كوميونيكيشنز.

دراسة غير مسبوقة

شملت الدراسة قاعدة بيانات غير مسبوقة تم فحصها من 71 مؤسسة منتشرة عبر ست قارات، وأظهرت نتائجها القدرة على تحسين الكشف عن الأورام الدماغية بنسبة 33%.

جايسون مارتين هو مهندس رئيسي في إنتل لابس.

“لدي تعلم الفيدرالية إمكانيات هائلة في مجالات عديدة، خاصة في مجال الرعاية الصحية، كما هو موضح في بحثنا مع بين ميدسين،” قال مارتين. “قدرته على حماية المعلومات الحساسة والبيانات تفتح الباب لمزيد من الدراسات والتعاون، خاصة في الحالات التي تكون فيها قواعد البيانات غير متاحة. عملنا مع بين ميدسين له إمكانية التأثير الإيجابي على المرضى في جميع أنحاء العالم ونحن نتطلع إلى استكشاف وعد تعلم الفيدرالية.”

إمكانية الوصول إلى البيانات في مجال الرعاية الصحية

تعتبر إمكانية الوصول إلى البيانات تحديًا كبيرًا في مجال الرعاية الصحية، حيث تجعل قوانين الخصوصية الوطنية والدولية من الصعب إجراء البحوث الطبية والبيانات على نطاق واسع دون المساس بمعلومات الصحة الشخصية. بفضل الحوسبة المتفقة، تتوافق الأجهزة والبرامج لتعلم الفيدرالية من إنتل مع مخاوف الخصوصية وتحافظ على سلامة البيانات.

معالجت الفرق كميات كبيرة من البيانات في نظام متوزع باستخدام تكنولوجيا تعلم الفيدرالية من إنتل إلى جانب امتدادات البرمجيات الحاسوبية من إنتل (SGX)، التي تساعد على إزالة حواجز مشاركة البيانات. كما يعالج النظام مخاوف الخصوصية من خلال الحفاظ على البيانات الخام داخل بنية الحوسبة لمالكي البيانات. يمكن إرسال تحديثات النموذج المحسوبة من البيانات إلى خادم مركزي أو جامع فقط. لا يمكن إرسال البيانات نفسها.

روب إندرلي هو محلل رئيسي في مجموعة إندرلي.

“جميع قدرات الحوسبة في العالم لا يمكن أن تفعل الكثير بدون كمية كافية من البيانات للتحليل،” قال إندرلي. “عدم القدرة على تحليل البيانات التي تم التقاطها بالفعل قد أخرت بشكل كبير الانجازات الطبية الكبيرة التي وعد بها الذكاء الاصطناعي. تظهر دراسة تعلم الفيدرالية هذه مسارًا قابلاً للتطبيق لتحقيق الذكاء الاصطناعي وإمكانياته كأداة أقوى لمكافحة الأمراض الصعبة. “

سبيريدون باكاس، دكتوراه في الفلسفة، هو أستاذ مساعد في علم الأمراض والطب المخبري والراديولوجيا في مدرسة بيرلمان للطب في جامعة بنسيلفانيا.

“في هذه الدراسة، يظهر تعلم الفيدرالية إمكاناته كتحول في التأمين التعاوني متعدد المؤسسات من خلال تمكين الوصول إلى أكبر وأكثر مجموعات بيانات متنوعة لمرضى الورم الدماغي الخبيث التي تم النظر فيها في الأدبيات، مع الاحتفاظ بجميع البيانات داخل كل مؤسسة في جميع الأوقات،” قال باكاس. “كلما زادت كمية البيانات التي يمكننا تغذيتها إلى نماذج التعلم الآلي، زادت دقة هذه النماذج، مما يمكننا من تحسين فهمنا وعلاج الأمراض النادرة، مثل الورم الدماغي الخبيث.”

من المهم للباحثين الوصول إلى كميات كبيرة من البيانات الطبية لتطوير العلاجات. لكن هذه الكمية من البيانات عادة ما تكون كبيرة جدًا لمؤسسة واحدة. مع الدراسة الجديدة، أصبح الباحثون أقرب إلى فتح صوامط البيانات متعددة المواقع لتطوير تعلم الفيدرالية على نطاق واسع. يمكن أن تؤدي هذه التطورات إلى العديد من الفوائد، مثل الكشف المبكر عن الأمراض.