Intel, Penn Medicine réalisent la plus grande étude de apprentissage fédéré en médecine

Intel (INTC ) Labs et l’école de médecine Perelman de l’Université de Pennsylvanie (Penn Medicine) ont annoncé les résultats de la plus grande étude d’apprentissage fédéré en médecine. L’étude de recherche conjointe a utilisé l’apprentissage automatique (ML) et l’intelligence artificielle (IA) pour aider les institutions de soins de santé et de recherche internationales à identifier les tumeurs cérébrales malignes. 

La recherche a été publiée dans Nature Communications. 

Une étude sans précédent

L’étude a porté sur un ensemble de données sans précédent examiné à partir de 71 institutions réparties sur six continents, et ses résultats ont démontré la capacité à améliorer la détection des tumeurs cérébrales de 33%. 

Jason Martin est ingénieur principal chez Intel Labs. 

« L’apprentissage fédéré a un potentiel énorme dans de nombreux domaines, en particulier dans le domaine de la santé, comme le montre notre recherche avec Penn Medicine », a déclaré Martin. « Sa capacité à protéger les informations sensibles et les données ouvre la voie à de futures études et collaborations, en particulier dans les cas où les ensembles de données seraient autrement inaccessibles. Notre travail avec Penn Medicine a le potentiel d’avoir un impact positif sur les patients du monde entier et nous nous réjouissons de continuer à explorer les promesses de l’apprentissage fédéré. »

Accessibilité des données dans les soins de santé

L’accessibilité des données est un défi majeur dans les soins de santé, les lois sur la confidentialité des données des États et des nations rendant difficile la réalisation de recherches médicales et de données à grande échelle sans compromettre les informations sur la santé des patients. Grâce au calcul confidentiel, le matériel et le logiciel d’apprentissage fédéré d’Intel sont conformes aux préoccupations de confidentialité des données et préservent l’intégrité des données.

Les équipes ont traité de grandes quantités de données dans un système décentralisé en utilisant la technologie d’apprentissage fédéré d’Intel, ainsi que les extensions de logiciel Intel Software Guard (SGX), qui aident à supprimer les barrières de partage de données. Le système répond également aux préoccupations de confidentialité en maintenant les données brutes à l’intérieur de l’infrastructure de calcul des détenteurs de données. Les mises à jour de modèle calculées à partir des données ne peuvent être envoyées qu’à un serveur central ou à un agrégateur. Les données elles-mêmes ne peuvent pas être envoyées. 

Rob Enderle est analyste principal chez Enderle Group. 

« Tout le pouvoir de calcul du monde ne peut pas faire grand-chose sans suffisamment de données à analyser », a déclaré Enderle. « Cette incapacité à analyser les données qui ont déjà été capturées a considérablement retardé les avancées médicales massives promises par l’IA. Cette étude d’apprentissage fédéré montre un chemin viable pour que l’IA progresse et atteigne son potentiel en tant qu’outil le plus puissant pour lutter contre nos maladies les plus difficiles. »

Spyridon Bakas, PhD, est professeur adjoint de pathologie et de médecine de laboratoire, et de radiologie, à l’école de médecine Perelman de l’Université de Pennsylvanie. 

« Dans cette étude, l’apprentissage fédéré montre son potentiel en tant que changement de paradigme pour les collaborations multi-institutionnelles en permettant l’accès au plus grand et au plus diversifié ensemble de données de patients atteints de glioblastome jamais considéré dans la littérature, tout en conservant toutes les données au sein de chaque institution à tout moment », a déclaré Bakas. « Plus nous pouvons alimenter les modèles d’apprentissage automatique avec des données, plus ils deviennent précis, ce qui à son tour peut améliorer notre capacité à comprendre et à traiter même les maladies rares, telles que le glioblastome. »

Il est essentiel pour les chercheurs d’avoir accès à de grandes quantités de données médicales pour faire progresser les traitements. Mais cette quantité de données est généralement trop importante pour une seule installation. Avec la nouvelle étude, les chercheurs sont plus proches de débloquer les silos de données multisites pour faire progresser l’apprentissage fédéré à grande échelle. Ces progrès pourraient apporter de nombreux avantages, tels que la détection précoce des maladies.