Intel a Penn Medicine provedaly největší lékařskou federovanou učící se studii

Intel (INTC ) Labs a Perelman School of Medicine na University of Pennsylvania (Penn Medicine) oznámily výsledky největší lékařské federované učící se studie. Společná výzkumná studie použila strojové učení (ML) a umělou inteligenci (AI) pro pomoc mezinárodním zdravotnickým a výzkumným institucím identifikovat zhoubné mozkové tumory.

Výzkum byl zveřejněn v Nature Communications.

Bezprecedentní studie

Studie zahrnovala bezprecedentní datovou sadu prozkoumanou z 71 institucí rozložených na šesti kontinentech a její výsledky prokázaly schopnost zlepšit detekci mozkových tumorů o 33%.

Jason Martin je hlavním inženýrem v Intel Labs.

„Federované učení má enormní potenciál v mnoha oblastech, zejména ve zdravotnictví, jak je ukázáno naší studií s Penn Medicine,“ řekl Martin. „Jeho schopnost chránit citlivé informace a data otevírá dveře pro budoucí studie a spolupráci, zejména v případech, kdy by datové sady jinak byly nepřístupné. Naše práce s Penn Medicine má potenciál pozitivně ovlivnit pacienty po celém světě a těšíme se na další zkoumání slibů federovaného učení.“

Přístupnost dat ve zdravotnictví

Přístupnost dat je významnou výzvou ve zdravotnictví, protože státní a národní zákony o ochraně dat činí obtížným provádět lékařský výzkum a zpracování dat ve velkém měřítku bez ohrožení zdravotních informací pacientů. Díky confidential computingu splňují federované učící se hardwarové a softwarové prostředky od Intelu požadavky na ochranu dat a zachovávají integritu dat.

Týmy zpracovávaly velké objemy dat v decentralizovaném systému pomocí technologie federovaného učení od Intelu spolu s Intel Software Guard Extensions (SGX), které pomáhají odstranit bariéry sdílení dat. Systém také řeší obavy o ochranu soukromí tím, že udržuje surová data uvnitř výpočetní infrastruktury držitelů dat. Aktualizace modelů vypočtené z dat mohou být odeslány pouze na centrální server nebo agregátor. Samotná data nemohou být odeslána.

Rob Enderle je hlavním analytikem ve společnosti Enderle Group.

„Všechna výpočetní síla na světě nemůže mnoho udělat bez dostatečných dat k analýze,“ řekl Enderle. „Tato neschopnost analyzovat data, která již byla zachycena, významně zpozdila obrovské lékařské průlomy, které umělá inteligence slibovala. Tato federovaná učící se studie ukazuje životaschopnou cestu pro umělou inteligenci, aby pokročila a dosáhla svého potenciálu jako nejmocnějšího nástroje pro boj proti našim největším nemocem.“

Spyridon Bakas, PhD, je asistentem profesora patologie a laboratorní medicíny a radiologie na Perelman School of Medicine na University of Pennsylvania.

„V této studii federované učení ukazuje svůj potenciál jako paradigmativní posun v zajišťování multiinstitucionální spolupráce tím, že umožňuje přístup k největší a nejrozmanitější datové sadě pacientů s glioblastomem, která byla kdy ve vědecké literatuře zvažována, zatímco všechna data jsou uchovávána uvnitř každé instituce ve všech případech,“ řekl Bakas. „Čím více dat můžeme krmit do modelů strojového učení, tím jsou přesnější, což může zlepšit naši schopnost porozumět a léčit i vzácné nemoci, jako je glioblastom.“

Je kritické, aby výzkumníci měli přístup k velkým objemům lékařských dat, aby mohli pokročit v léčbách. Ale tento objem dat je obvykle příliš velký pro jednu instituci. Díky nové studii jsou výzkumníci blíže k odemknutí multisite datových sil, aby mohli pokročit ve federovaném učení ve velkém měřítku. Tyto pokroky by mohly přinést mnoho výhod, jako je například brzká detekce onemocnění.