Intel ja Penn Medicine toteuttavat laajimman lääketieteellisen federated learning -tutkimuksen

Intel (INTC ) Labs ja Pennsylvanian yliopiston Perelmanin lääketieteellinen koulu (Penn Medicine) ovat julkaisseet tuloksia laajimmasta lääketieteellisestä federated learning -tutkimuksesta. Yhteinen tutkimus käytti koneoppimista (ML) ja tekoälyä (AI) auttamaan kansainvälisiä terveydenhuollon ja tutkimuslaitoksia tunnistamaan pahanlaisia aivokasvaimia.

Tutkimus julkaistiin Nature Communications -julkaisussa.

Ennennäkemätön tutkimus

Tutkimus käsitteli ennennäkemättömän laajuisen tietojoukon, joka tutkittiin 71 laitoksesta kuudelta mantereelta, ja sen tulokset osoittivat aivokasvaimien havaitsemisen parantumisen 33 prosentilla.

Jason Martin on Intel Labsin pääinsinööri.

“Federated learningilla on valtava potentiaali monilla alueilla, erityisesti terveydenhuollossa, kuten tutkimuksemme Penn Medicinen kanssa osoittaa”, Martin sanoi. “Sen kyky suojella arkaluontoista tietoa ja dataa avaa oven tuleville tutkimuksille ja yhteistyölle, etenkin tapauksissa, joissa tietoja ei muuten voisi käyttää. Työmme Penn Medicinen kanssa voi vaikuttaa positiivisesti potilaisiin ympäri maailmaa, ja odotamme innostuneina tutkimuksen lupaavan federated learningin mahdollisuuksia.”

Terveydenhuollon datan saatavuus

Datan saatavuus on suuri haaste terveydenhuollossa, ja valtiolliset ja kansalliset tietosuojalait ovat vaikeuttaneet lääketieteellisen tutkimuksen ja datan käyttöä laajassa mittakaavassa ilman potilastietojen vaarantamista. Kiitoksena luottamuksellisesta laskennasta, Intelin federated learning -laitteisto ja -ohjelmisto noudattavat tietosuojaa ja säilyttävät datan eheyyden.

Tutkijat käsitelivät suuria tietomääriä hajautetussa järjestelmässä käyttäen Intelin federated learning -tekniikkaa yhdessä Intel Software Guard Extensions (SGX) -ohjelmistojen kanssa, jotka auttavat poistamaan tietojen jakamisen esteitä. Järjestelmä myös huomioi yksityisyyden huolen, säilyttäen raakadatan tiedonhaltijoiden laskentainfrastruktuurissa. Vain datan perusteella laskettavat mallipäivitykset voidaan lähettää keskuspalvelimelle tai aggregoijalle. Itse dataa ei voida lähettää.

Rob Enderle on Enderle Groupin pääanalyytikko.

“Kaikki maailman laskentakapasiteetti ei voi tehdä paljonkaan ilman riittävästi analysoitavaa dataa”, Enderle sanoi. “Tämä kyvyttömyys analysoida jo kerättyä dataa on viivästyttnyt merkittävästi lääketieteellisiä lävitönjä, joita tekoäly on luvannut. Tämä federated learning -tutkimus osoittaa toimivan tien tekoälylle edetäkseen ja saavuttamaan sen potentiaalin voimakkaimpana työkaluna taistelussa vaikeimpien sairauksiemme vastaan.”

Spyridon Bakas, PhD, on apulaisprofessori patologian ja laboratoriolääketieteen sekä radiologian laitoksella Pennsylvanian yliopiston Perelmanin lääketieteellisessä koulussa.

“Tässä tutkimuksessa federated learning osoittaa potentiaalinsa paradigmatisena muutoksena turvallisissa monen laitoksen yhteistyössä, mahdollistaen pääsyn laajimpaan ja monipuolisimpaan glioblastoomapotilaiden tietokantaan, josta on kirjallisuudessa käsitelty, ja kaikki data säilytetään koko ajan kussakin laitoksessa”, Bakas sanoi. “Mitä enemmän dataa voidaan syöttää koneoppimismalleihin, sitä tarkemmin ne ovat, mikä puolestaan voi parantaa kykyämme ymmärtää ja hoitaa jopa harvinaisia sairauksia, kuten glioblastoomaa.”

On äärimmäisen tärkeää, että tutkijat pääsevät käyttämään laajoja määriä lääketieteellistä dataa hoitojen kehittämiseksi. Mutta tämä datamäärä on yleensä liian suuri yhdelle laitokselle. Uuden tutkimuksen myötä tutkijat ovat lähempänä usean sijainnin datavarastojen avaamista federated learningin skaalauttamiseksi. Nämä edistysaskeleet voivat tuoda monia hyötyjä, kuten sairauksien varhaisen havaitsemisen.