Intel, Penn Medicine realizan el estudio de aprendizaje federado médico más grande

Intel Labs y la Escuela de Medicina Perelman de la Universidad de Pennsylvania (Penn Medicine) han anunciado los resultados del estudio de aprendizaje federado médico más grande. El estudio de investigación conjunto utilizó el aprendizaje automático (ML) y la inteligencia artificial (AI) para ayudar a las instituciones internacionales de atención médica e investigación a identificar tumores cerebrales malignos.

La investigación se publicó en Nature Communications.

Un estudio sin precedentes

El estudio involucró un conjunto de datos sin precedentes examinado de 71 instituciones distribuidas en seis continentes, y sus resultados demostraron la capacidad de mejorar la detección de tumores cerebrales en un 33%.

Jason Martin es ingeniero principal en Intel Labs.

“El aprendizaje federado tiene un gran potencial en numerosos dominios, particularmente en el ámbito de la salud, como se muestra en nuestra investigación con Penn Medicine”, dijo Martin. “Su capacidad para proteger la información y los datos sensibles abre la puerta a futuros estudios y colaboraciones, especialmente en casos en los que los conjuntos de datos serían de otro modo inaccesibles. Nuestro trabajo con Penn Medicine tiene el potencial de impactar positivamente a los pacientes en todo el mundo y esperamos seguir explorando la promesa del aprendizaje federado.”

Accesibilidad de datos en la atención médica

La accesibilidad de los datos es un desafío importante en la atención médica, ya que las leyes de privacidad de datos estatales y nacionales hacen que sea difícil realizar investigaciones médicas y datos a gran escala sin comprometer la información de salud de los pacientes. Gracias a la informática confidencial, el hardware y el software de aprendizaje federado de Intel cumplen con las preocupaciones de privacidad de datos y preservan la integridad de los datos.

Los equipos procesaron grandes volúmenes de datos en un sistema descentralizado utilizando la tecnología de aprendizaje federado de Intel junto con las Extensiones de software de guardia de Intel (SGX), que ayudan a eliminar las barreras de intercambio de datos. El sistema también aborda las preocupaciones de privacidad al mantener los datos brutos dentro de la infraestructura de cómputo de los titulares de los datos. Las actualizaciones del modelo calculadas a partir de los datos solo se pueden enviar a un servidor central o agregador. Los datos en sí no se pueden enviar.

Rob Enderle es analista principal en Enderle Group.

“Todo el poder de cómputo del mundo no puede hacer mucho sin suficientes datos para analizar”, dijo Enderle. “Esta incapacidad para analizar los datos que ya se han capturado ha retrasado significativamente los avances médicos masivos que la inteligencia artificial ha prometido. Este estudio de aprendizaje federado muestra un camino viable para que la inteligencia artificial avance y alcance su potencial como la herramienta más poderosa para luchar contra nuestras afecciones más difíciles.”

Spyridon Bakas, PhD, es profesor asistente de Patología y Medicina de Laboratorio, y Radiología, en la Escuela de Medicina Perelman de la Universidad de Pennsylvania.

“En este estudio, el aprendizaje federado muestra su potencial como un cambio de paradigma en la colaboración multiinstitucional segura, al permitir el acceso al conjunto de datos más grande y diverso de pacientes con glioblastoma considerado en la literatura, mientras que todos los datos se mantienen dentro de cada institución en todo momento”, dijo Bakas. “Cuanto más datos podamos alimentar a los modelos de aprendizaje automático, más precisos se vuelven, lo que a su vez puede mejorar nuestra capacidad para comprender y tratar incluso enfermedades raras, como el glioblastoma.”

Es crucial que los investigadores tengan acceso a grandes cantidades de datos médicos para avanzar en los tratamientos. Pero esta cantidad de datos suele ser demasiado para una sola instalación. Con el nuevo estudio, los investigadores están más cerca de desbloquear los silos de datos multisitio para avanzar en el aprendizaje federado a gran escala. Estos avances podrían traer muchos beneficios, como la detección temprana de enfermedades.