Intel, το Πανεπιστήμιο της Πενσυλβάνια διεξάγουν τη μεγαλύτερη μελέτη ομοιομορφικής μάθησης στην ιατρική

Τα Intel (INTC ) Labs και η Ιατρική Σχολή του Πανεπιστημίου της Πενσυλβάνια (Penn Medicine) ανακοίνωσαν τα αποτελέσματα της μεγαλύτερης μελέτης ομοιομορφικής μάθησης στην ιατρική. Η συνδυασμένη μελέτη χρησιμοποίησε μηχανική μάθηση (ML) και τεχνητή νοημοσύνη (AI) για να βοηθήσει τις διεθνείς ιατρικές και ερευνητικές ιδρύματα να αναγνωρίσουν κακοήθεις εγκεφαλικούς όγκους.

Η έρευνα δημοσιεύθηκε στο Nature Communications.

Μια άνευ προηγουμένου μελέτη

Η μελέτη αφορούσε ένα άνευ προηγουμένου σύνολο δεδομένων που εξετάστηκαν από 71 ιδρύματα σε έξι ηπείρους, και τα αποτελέσματά της έδειξαν την ικανότητα να βελτιώσουν την ανίχνευση εγκεφαλικών όγκων κατά 33%.

Ο Jason Martin είναι αρχισυντήκτης μηχανικός στα Intel Labs.

«Η ομοιομορφική μάθηση έχει τεράστια δυνατότητα σε πολλά πεδία, ιδιαίτερα στην ιατρική, όπως δείχνει η έρευνά μας με το Penn Medicine», είπε ο Martin. «Η ικανότητά της να προστατεύει ευαίσθητες πληροφορίες και δεδομένα ανοίγει την πόρτα για μελλοντικές μελέτες και συνεργασίες, ιδιαίτερα σε περιπτώσεις όπου τα σύνολα δεδομένων θα ήταν αλλιώς απρόσιτα. Η δουλειά μας με το Penn Medicine έχει τη δυνατότητα να επηρεάσει θετικά τους ασθενείς σε όλο τον κόσμο και αναμένουμε να συνεχίσουμε να εξερευνούμε την υπόσχεση της ομοιομορφικής μάθησης.»

Προσβασιμότητα δεδομένων στην ιατρική

Η προσβασιμότητα δεδομένων είναι μια μεγάλη πρόκληση στην ιατρική, με τους νόμους περί προστασίας δεδομένων να καθιστούν δύσκολη την διεξαγωγή ιατρικής έρευνας και δεδομένων σε μεγάλη κλίμακα χωρίς να危險evουν τις πληροφορίες υγείας των ασθενών. Χάρη στην υπολογιστική με εμπιστευτικότητα, το υλικό και το λογισμικό ομοιομορφικής μάθησης των Intel συμμορφώνονται με τις ανησυχίες περί προστασίας δεδομένων και διατηρούν την ακεραιότητα των δεδομένων.

Οι ομάδες επεξεργάστηκαν μεγάλες ποσότητες δεδομένων σε ένα αποκεντρωμένο σύστημα χρησιμοποιώντας τεχνολογία ομοιομορφικής μάθησης των Intel μαζί με τις Intel Software Guard Extensions (SGX), οι οποίες βοηθούν στην αφαίρεση των εμποδίων διαμοιρασμού δεδομένων. Το σύστημα επίσης αντιμετωπίζει τις ανησυχίες περί προστασίας δεδομένων διατηρώντας τα ακατέργαστα δεδομένα μέσα στην υποδομή υπολογιστών των κατόχων δεδομένων. Οι ενημερώσεις μοντέλων που υπολογίζονται από τα δεδομένα μπορούν να σταλούν μόνο σε einen κεντρικό διακομιστής ή συλλέκτη. Τα ίδια τα δεδομένα δεν μπορούν να σταλούν.

Ο Rob Enderle είναι αρχισυντήκτης αναλυτής στην Enderle Group.

«Όλη η υπολογιστική ισχύς στον κόσμο δεν μπορεί να κάνει πολλά χωρίς αρκετά δεδομένα για ανάλυση», είπε ο Enderle. «Αυτή η αδυναμία να αναλύσουμε δεδομένα που έχουν ήδη συλλεγεί έχει καθυστερήσει σημαντικά τις τεράστιες ιατρικές ανακαλύψεις που έχει υποσχεθεί η τεχνητή νοημοσύνη. Αυτή η μελέτη ομοιομορφικής μάθησης δείχνει ένα βιώσιμο μονοπάτι για την τεχνητή νοημοσύνη να προχωρήσει και να επιτύχει το δυναμικό της ως το πιο ισχυρό εργαλείο για την καταπολέμηση των πιο δύσκολων ασθενειών μας.»

Ο Spyridon Bakas, PhD, είναι βοηθός καθηγητής Παθολογίας και Εργαστηριακής Ιατρικής, και Ραδιολογίας, στην Ιατρική Σχολή του Πανεπιστημίου της Πενσυλβάνια.

«Σε αυτή τη μελέτη, η ομοιομορφική μάθηση δείχνει το δυναμικό της ως μια παραλλαγή στην ασφάλεια των συνεργασιών μεταξύ ιδρυμάτων, επιτρέποντας την πρόσβαση στο μεγαλύτερο και πιο διαφοροποιημένο σύνολο δεδομένων ασθενών με γλιοβλάστωμα που έχει εξεταστεί στην βιβλιογραφία, ενώ όλα τα δεδομένα διατηρούνται μέσα στα ιδρύματα σε mọi στιγμή», είπε ο Bakas. «Όσο περισσότερα δεδομένα μπορούμε να ταΐσουμε τα μοντέλα μηχανικής μάθησης, τόσο πιο ακριβή γίνονται, και αυτό με τη σειρά του μπορεί να βελτιώσει την ικανότητά μας να κατανοήσουμε και να θεραπεύσουμε ακόμη και σπάνιες ασθένειες, όπως το γλιοβλάστωμα.»

Είναι κρίσιμο για τους ερευνητές να έχουν πρόσβαση σε μεγάλες ποσότητες ιατρικών δεδομένων για να προωθήσουν τις θεραπείες. Αλλά αυτή η ποσότητα δεδομένων είναι συνήθως πολύ μεγάλη για ένα ίδρυμα. Με τη νέα μελέτη, οι ερευνητές είναι πιο κοντά στο ξεκλείδωμα των πολυτοπικών θυλακίων δεδομένων για να προωθήσουν την ομοιομορφική μάθηση σε μεγάλη κλίμακα. Αυτές οι προόδους θα μπορούσαν να φέρουν πολλά οφέλη, όπως η πρώιμη ανίχνευση ασθενειών.