Intel og Penn Medicine gennemfører den største medicinske federerede læringstudie

Intel (INTC ) Labs og Perelman School of Medicine ved University of Pennsylvania (Penn Medicine) har offentliggjort resultaterne af den største medicinske federerede læringstudie. Den fælles forskningsstudie anvendte maskinlæring (ML) og kunstig intelligens (AI) for at hjælpe internationale sundheds- og forskningsinstitutioner med at identificere maligne hjernetumorer.

Forskningen blev offentliggjort i Nature Communications.

En uden precedent studie

Studiet omfattede en uden precedent dataset, der blev undersøgt fra 71 institutioner fordelt over seks kontinenter, og dens resultater viste, at det er muligt at forbedre hjernetumordetektion med 33%.

Jason Martin er principal engineer ved Intel Labs.

“Federeret læring har enorm potentiale på mange områder, især inden for sundhedssektoren, som vist i vores forskning med Penn Medicine,” sagde Martin. “Dens evne til at beskytte følsomme oplysninger og data åbner døren for fremtidige studier og samarbejde, især i tilfælde, hvor datasæt ellers ville være utilgængelige. Vores arbejde med Penn Medicine har potentialet til at have en positiv indvirkning på patienter over hele verden, og vi ser frem til at fortsætte med at udforske løftet fra federeret læring.”

Dataadgang i sundhedssektoren

Dataadgang er en stor udfordring i sundhedssektoren, med stats- og nationale datapolitikker, der gør det svært at gennemføre medicinsk forskning og data på større skala uden at kompromittere patientens sundhedsoplysninger. Takket være konfidentiel computing overholder Intel-federeret læring hardware og software dataretsbehandling og bevarer dataintegritet.

Holdene behandlede store mængder data i et decentraliseret system ved hjælp af Intel-federeret læringsteknologi samt Intel Software Guard Extensions (SGX), som hjælper med at fjerne data-delingsbarrierer. Systemet behandler også privatlivsproblemer ved at opretholde rådata inde i dataejernes compute-infrastruktur. Modelopdateringer beregnet fra data kan kun sendes til en central server eller aggregator. Dataene selv kan ikke sendes.

Rob Enderle er principal analyst ved Enderle Group.

“Alt computing-kraft i verden kan ikke gøre meget uden nok data at analysere,” sagde Enderle. “Denne udlændighed til at analysere data, der allerede er blevet fanget, har betydeligt forsinket de massive medicinske gennembrud, som AI har lovet. Denne federerede læringstudie viser en livskraftig vej for AI til at avancere og opnå sit potentiale som det kraftfuldeste værktøj til at kæmpe mod vores sværeste sygdomme.”

Spyridon Bakas, PhD, er adjunkt i Patologi & Laboratorie medicin samt Radiologi ved Perelman School of Medicine ved University of Pennsylvania.

“I denne studie viser federeret læring sit potentiale som en paradigmeskift i sikring af multi-institutionelle samarbejder ved at give adgang til den største og mest diverse dataset af glioblastompatienter nogensinde overvejet i litteraturen, mens alle data beholdes inden for hver institution på alle tidspunkter,” sagde Bakas. “Jo mere data, vi kan føde ind i maskinlæringsmodeller, jo mere præcise bliver de, hvilket igen kan forbedre vores evne til at forstå og behandle selv sjældne sygdomme, såsom glioblastom.”

Det er kritisk for forskere at have adgang til store mængder medicinske data for at fremme behandlinger. Men denne mængde data er normalt for stor for en enkelt institution. Med den nye studie er forskere tættere på at låse op for multisite data siloer til at fremme federeret læring i stor skala. Disse fremskridt kan bringe mange fordele som tidlig opdaging af sygdom.