Intel, Penn Medicine Melakukan Studi Federated Learning Medis Terbesar

Intel (INTC ) Labs dan Perelman School of Medicine di University of Pennsylvania (Penn Medicine) telah mengumumkan hasil studi federated learning medis terbesar. Studi penelitian bersama ini menggunakan machine learning (ML) dan kecerdasan buatan (AI) untuk membantu lembaga kesehatan dan penelitian internasional mengidentifikasi tumor otak yang ganas.

Penelitian ini dipublikasikan di Nature Communications.

Studi Tanpa Preseden

Studi ini melibatkan dataset yang belum pernah terjadi sebelumnya yang diperiksa dari 71 lembaga yang tersebar di enam benua, dan hasilnya menunjukkan kemampuan untuk meningkatkan deteksi tumor otak sebesar 33%.

Jason Martin adalah insinyur utama di Intel Labs.

“Federated learning memiliki potensi luar biasa di berbagai domain, terutama dalam kesehatan, seperti yang ditunjukkan oleh penelitian kami dengan Penn Medicine,” kata Martin. “Kemampuannya untuk melindungi informasi sensitif dan data membuka pintu untuk studi dan kolaborasi di masa depan, terutama dalam kasus di mana dataset akan tidak dapat diakses. Kerja sama kami dengan Penn Medicine memiliki potensi untuk berdampak positif pada pasien di seluruh dunia dan kami berharap untuk terus mengeksplorasi janji federated learning.”

Aksesibilitas Data di Kesehatan

Aksesibilitas data adalah tantangan besar dalam kesehatan, dengan hukum privasi data negara dan nasional membuatnya sulit untuk melakukan penelitian medis dan data skala besar tanpa mengompromikan informasi kesehatan pasien. Berkat komputasi konfidensial, perangkat keras dan perangkat lunak federated learning dari Intel memenuhi kekhawatiran privasi data dan mempertahankan integritas data.

Tim memproses volume data yang tinggi dalam sistem terdesentralisasi menggunakan teknologi federated learning Intel bersama dengan Intel Software Guard Extensions (SGX), yang membantu menghilangkan hambatan berbagi data. Sistem ini juga mengatasi kekhawatiran privasi dengan mempertahankan data mentah di dalam infrastruktur komputasi pemilik data. Pembaruan model yang dihitung dari data hanya dapat dikirim ke server pusat atau agregator. Data itu sendiri tidak dapat dikirim.

Rob Enderle adalah analis utama di Enderle Group.

“Semua kekuatan komputasi di dunia tidak dapat melakukan banyak tanpa cukup data untuk dianalisis,” kata Enderle. “Ketidakmampuan untuk menganalisis data yang sudah dikumpulkan telah menunda terjadinya terobosan medis besar yang dijanjikan oleh AI. Studi federated learning ini menunjukkan jalur yang layak untuk AI untuk maju dan mencapai potensinya sebagai alat paling kuat untuk melawan penyakit yang paling sulit.”

Spyridon Bakas, PhD, adalah asisten profesor Patologi & Ilmu Laboratorium, dan Radiologi, di Perelman School of Medicine di University of Pennsylvania.

“Dalam studi ini, federated learning menunjukkan potensinya sebagai pergeseran paradigma dalam mengamankan kolaborasi multi-institusi dengan memungkinkan akses ke dataset terbesar dan paling beragam dari pasien glioblastoma yang pernah dipertimbangkan dalam literatur, sementara semua data dipertahankan di dalam masing-masing lembaga pada semua waktu,” kata Bakas. “Semakin banyak data yang kita masukkan ke dalam model machine learning, semakin akurat mereka menjadi, yang pada gilirannya dapat meningkatkan kemampuan kita untuk memahami dan mengobati penyakit langka, seperti glioblastoma.”

Sangat penting bagi peneliti untuk memiliki akses ke jumlah data medis yang besar untuk memajukan pengobatan. Namun, jumlah data ini biasanya terlalu besar untuk satu fasilitas. Dengan studi baru ini, peneliti lebih dekat untuk membuka gudang data multisite untuk memajukan federated learning skala besar. Kemajuan ini dapat membawa banyak manfaat seperti deteksi dini penyakit.