स्वास्थ्य
इंटेल, पेन मेडिसिन ने सबसे बड़ा मेडिकल फेडरेटेड लर्निंग अध्ययन किया
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
इंटेल लैब्स और पेंसिल्वेनिया विश्वविद्यालय के परेलमैन स्कूल ऑफ मेडिसिन (पेन मेडिसिन) ने सबसे बड़े मेडिकल फेडरेटेड लर्निंग अध्ययन के परिणामों की घोषणा की है। संयुक्त अनुसंधान अध्ययन ने मशीन लर्निंग (एमएल) और कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करके अंतरराष्ट्रीय स्वास्थ्य सेवा और अनुसंधान संस्थानों को घातक मस्तिष्क ट्यूमर की पहचान करने में मदद की।
अनुसंधान नेचर कम्युनिकेशंस में प्रकाशित किया गया था।
एक अभूतपूर्व अध्ययन
अध्ययन में 71 संस्थानों से एक अभूतपूर्व डेटासेट की जांच की गई, जो छह महाद्वीपों में फैली हुई है, और इसके परिणामों ने मस्तिष्क ट्यूमर का पता लगाने में 33% की वृद्धि को प्रदर्शित किया।
जेसन मार्टिन इंटेल लैब्स में प्रिंसिपल इंजीनियर हैं।
“फेडरेटेड लर्निंग में कई डोमेन में बहुत बड़ी संभावनाएं हैं, खासकर 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, खासकर उन मामलों में जहां डेटासेट अन्यथा अनुपलब्ध होंगे। हमारा पेन मेडिसिन के साथ काम दुनिया भर के रोगियों को सकारात्मक रूप से प्रभावित करने की क्षमता रखता 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 बिना रोगी स्वास्थ्य जानकारी को खतरे में डाले। इंटेल के फेडरेटेड लर्निंग हार्डवेयर और सॉफ्टवेयर के साथ गोपनीय कंप्यूटिंग के लिए धन्यवाद, डेटा गोपनीयता चिंताओं के साथ अनुपालन करता है और डेटा अखंडता को बनाए रखता है।
टीमों ने इंटेल फेडरेटेड लर्निंग तकनीक के साथ-साथ इंटेल सॉफ्टवेयर गार्ड एक्सटेंशन (एसजीएक्स) का उपयोग करके एक विकेंद्रीकृत प्रणाली में उच्च मात्रा में डेटा को संसाधित किया, जो डेटा साझा करने की बाधाओं को दूर करने में मदद करता है। सिस्टम डेटा धारकों के कंप्यूट इंफ्रास्ट्रक्चर के भीतर कच्चे डेटा को बनाए रखने के द्वारा गोपनीयता चिंताओं को भी संबोधित करता है। डेटा से गणना की गई मॉडल अपडेट को केवल एक केंद्रीय सर्वर या एग्रीगेटर में भेजा जा सकता है। डेटा खुद भेजा नहीं जा सकता है।
रॉब एंडरले एंडरले ग्रुप में प्रिंसिपल विश्लेषक हैं।
“दुनिया भर में सभी कंप्यूटिंग शक्ति डेटा के विश्लेषण के लिए बहुत कम हो सकती है,” एंडरले ने कहा। “इस असमर्थता ने चिकित्सा के क्षेत्र में बड़े पैमाने पर प्रगति को बहुत कम कर दिया है। यह फेडरेटेड लर्निंग अध्ययन एआई के लिए एक व्यवहार्य मार्ग प्रदर्शित करता है जो अपनी क्षमता को प्राप्त करने और हमारी सबसे कठिन बीमारियों से लड़ने के लिए सबसे शक्तिशाली उपकरण बनने के लिए।”
स्पाइरिडन बाकास, पीएचडी, पेंसिल्वेनिया विश्वविद्यालय के परेलमैन स्कूल ऑफ मेडिसिन में पैथोलॉजी और लेबोरेटरी मेडिसिन और रेडियोलॉजी के सहायक प्रोफेसर हैं।
“इस अध्ययन में, फेडरेटेड लर्निंग सुरक्षित बहु-संस्थागत सहयोग के लिए एक नए युग के रूप में अपनी क्षमता दिखाता है, जो साहित्य में विचार किए गए ग्लियोब्लास्टोमा रोगियों के सबसे बड़े और सबसे विविध डेटासेट तक पहुंच की अनुमति देता है, जबकि सभी डेटा हर समय प्रत्येक संस्थान में बने रहते हैं,” बाकास ने कहा। “जितना अधिक डेटा हम मशीन लर्निंग मॉडल में डालेंगे, वे उतने ही सटीक होंगे, जो बदले में दुर्लभ बीमारियों को समझने और उनका इलाज करने की हमारी क्षमता में सुधार कर सकता है।”
शोधकर्ताओं के लिए बड़ी मात्रा में चिकित्सा डेटा तक पहुंच होना इलाज में प्रगति के लिए महत्वपूर्ण है। लेकिन यह डेटा की मात्रा आमतौर पर एक सुविधा के लिए बहुत अधिक होती है। नए अध्ययन के साथ, शोधकर्ता बहुसाइट डेटा सिलोस को अनलॉक करने और स्केल पर फेडरेटेड लर्निंग को आगे बढ़ाने के करीब हैं। यह प्रगति कई लाभ ला सकती है, जैसे कि बीमारी का शुरुआती पता लगाना।
