Intel, Penn Medicine gennemfører den største medicinske federerede læringundersøgelse

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

Forskningen blev offentliggjort i Nature Communications. 

En uden precedent undersøgelse

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

Jason Martin er principal engineer hos Intel Labs. 

“Federeret læring har enorm potentiale over mange domæner, 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 datasets ellers ville være utilgængelige. Vores arbejde med Penn Medicine har potentialet til at positivt påvirke patienter over hele verden, og vi ser frem til at fortsætte med at udforske løftet af federeret læring.”

Dataadgang i sundhedssektoren

Dataadgang er en stor udfordring i sundhedssektoren, hvor stats- og nationale databeskyttelseslove gør det svært at gennemføre medicinsk forskning og data på stor skala uden at kompromittere patientens sundhedsinformation. Takket være konfidentiel computing overholder Intel’s federerede læring hardware og software databeskyttelseskrav og bevare dataintegritet.

Holdene behandlede store mængder data i et decentralt system ved hjælp af Intel’s federerede læringsteknologi samt Intel Software Guard Extensions (SGX), som hjælper med at fjerne data-delingsbarrierer. Systemet adresserer også privatlivsproblemer ved at opretholde rådata inde på 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 hos Enderle Group. 

“Al den beregningskraft i verden kan ikke gøre meget uden nok data at analysere,” sagde Enderle. “Denne uEvne til at analysere data, der allerede er 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 kraftigste værktøj til at bekæmpe vores sværeste sygdomme.”

Spyridon Bakas, PhD, er assistant professor i Patologi & Laboratorie medicin og 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 forbliver inde på 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 facilitet. Med den nye studie er forskere tættere på at låse op for multisite datasiloer til at avancere federeret læring i stor skala. Disse fremskridt kunne bringe mange fordele, såsom tidlig opdaging af sygdom.