इंटेल, पेन मेडिसिन ने सबसे बड़ा मेडिकल फेडरेटेड लर्निंग अध्ययन किया

इंटेल लैब्स और पेन्सिलवेनिया विश्वविद्यालय के पेरेलमैन स्कूल ऑफ मेडिसिन (पेन मेडिसिन) ने सबसे बड़े मेडिकल फेडरेटेड लर्निंग अध्ययन के परिणामों की घोषणा की है। संयुक्त अनुसंधान अध्ययन में मशीन लर्निंग (एमएल) और आर्टिफिशियल इंटेलिजेंस (एआई) का उपयोग अंतरराष्ट्रीय स्वास्थ्य सेवा और अनुसंधान संस्थानों को घातक मस्तिष्क ट्यूमर की पहचान करने में मदद करने के लिए किया गया था।

इस अनुसंधान को नेचर कम्युनिकेशन्स में प्रकाशित किया गया है।

एक अभूतपूर्व अध्ययन

इस अध्ययन में छह महाद्वीपों में फैले 71 संस्थानों से परीक्षा किए गए एक अभूतपूर्व डेटासेट को शामिल किया गया था, और इसके परिणामों ने मस्तिष्क ट्यूमर का पता लगाने में 33% की वृद्धि की क्षमता का प्रदर्शन किया।

जेसन मार्टिन इंटेल लैब्स में प्रिंसिपल इंजीनियर हैं।

“फेडरेटेड लर्निंग में कई डोमेन में बहुत बड़ी संभावनाएं हैं, विशेष रूप से स्वास्थ्य सेवा में, जैसा कि हमारे पेन मेडिसिन के साथ अनुसंधान में दिखाया गया है,” मार्टिन ने कहा। “इसकी संवेदनशील जानकारी और डेटा की रक्षा करने की क्षमता भविष्य के अध्ययनों और सहयोग के लिए दरवाजा खोलती है, विशेष रूप से उन मामलों में जहां डेटासेट अन्यथा अनुपलब्ध होंगे। हमारा पेन मेडिसिन के साथ काम दुनिया भर के रोगियों पर सकारात्मक प्रभाव डाल सकता है और हम फेडरेटेड लर्निंग के वादे की खोज जारी रखने की उम्मीद करते हैं।”

स्वास्थ्य सेवा में डेटा सुलभता

स्वास्थ्य सेवा में डेटा सुलभता एक बड़ी चुनौती है, राज्य और राष्ट्रीय डेटा गोपनीयता कानूनों के कारण बड़े पैमाने पर चिकित्सा अनुसंधान और डेटा को संचालित करना मुश्किल हो जाता है जो रोगी स्वास्थ्य जानकारी को खतरे में डाल सकता है। इंटेल के गोपनीय कंप्यूटिंग के लिए धन्यवाद, फेडरेटेड लर्निंग हार्डवेयर और सॉफ्टवेयर डेटा गोपनीयता चिंताओं के अनुरूप हैं और डेटा अखंडता को बनाए रखते हैं।

टीमों ने इंटेल फेडरेटेड लर्निंग तकनीक के साथ-साथ इंटेल सॉफ्टवेयर गार्ड एक्सटेंशन (एसजीएक्स) का उपयोग करके एक विकेंद्रीकृत प्रणाली में बड़ी मात्रा में डेटा को संसाधित किया, जो डेटा साझा करने की बाधाओं को दूर करने में मदद करता है। यह प्रणाली गोपनीयता चिंताओं को भी संबोधित करती है क्योंकि यह डेटा धारकों के कंप्यूट इंफ्रास्ट्रक्चर के भीतर कच्चे डेटा को बनाए रखती है। डेटा से गणना की गई मॉडल अपडेट को केवल एक केंद्रीय सर्वर या एग्रीगेटर को भेजा जा सकता है। डेटा खुद नहीं भेजा जा सकता है।

रोब एंडरले एंडरले ग्रुप में प्रिंसिपल एनालिस्ट हैं।

“दुनिया में सभी कंप्यूटिंग शक्ति डेटा का विश्लेषण करने के लिए पर्याप्त नहीं हो सकती है,” एंडरले ने कहा। “पहले से ही कब्जा कर लिए गए डेटा का विश्लेषण करने में असमर्थता ने महत्वपूर्ण चिकित्सा सफलता में बहुत देरी कर दी है जो एआई ने वादा किया था। यह फेडरेटेड लर्निंग अध्ययन एक व्यवहार्य मार्ग दिखाता है कि एआई कैसे आगे बढ़ सकता है और अपने सबसे कठिन रोगों से लड़ने के लिए सबसे शक्तिशाली उपकरण के रूप में अपनी क्षमता हासिल कर सकता है।”

स्पाइरिडन बाकास, पीएचडी, पेन्सिलवेनिया विश्वविद्यालय के पेरेलमैन स्कूल ऑफ मेडिसिन में पैथोलॉजी और लेबोरेटरी मेडिसिन और रेडियोलॉजी के सहायक प्रोफेसर हैं।

“इस अध्ययन में, फेडरेटेड लर्निंग एक संस्थागत सहयोग में सुरक्षा के रूप में एक परिवर्तनकारी परिवर्तन दिखाता है जो सबसे बड़े और सबसे विविध ग्लियोब्लास्टोमा रोगियों के डेटासेट तक पहुंच की अनुमति देता है, जबकि सभी डेटा हर समय प्रत्येक संस्थान के भीतर बने रहते हैं,” बाकास ने कहा। “जितना अधिक डेटा हम मशीन लर्निंग मॉडल में डाल सकते हैं, वे उतने ही सटीक हो जाते हैं, जो बदले में दुर्लभ बीमारियों, जैसे ग्लियोब्लास्टोमा के इलाज में सुधार करने में हमारी क्षमता में सुधार कर सकते हैं।”

चिकित्सा उपचारों को आगे बढ़ाने के लिए शोधकर्ताओं के लिए बड़ी मात्रा में चिकित्सा डेटा तक पहुंच होना आवश्यक है। लेकिन यह डेटा आमतौर पर एक सुविधा के लिए बहुत अधिक होता है। नए अध्ययन के साथ, शोधकर्ता मल्टीसाइट डेटा सिलोस को अनलॉक करने और फेडरेटेड लर्निंग को बड़े पैमाने पर आगे बढ़ाने के करीब हैं। ये प्रगति कई लाभ ला सकती है, जैसे कि बीमारी का शुरुआती पता लगाना।