Intel e Penn Medicine conducono il più grande studio sull'apprendimento federato medico

Intel Labs e la Perelman School of Medicine dell'Università della Pennsylvania (Penn Medicine) hanno annunciato i risultati del più grande studio sull'apprendimento medico federato. Lo studio di ricerca congiunto ha utilizzato l’apprendimento automatico (ML) e l’intelligenza artificiale (AI) per aiutare gli istituti sanitari e di ricerca internazionali a identificare i tumori maligni al cervello. 

La ricerca è stata pubblicata in Nature Communications. 

Uno studio senza precedenti

Lo studio ha coinvolto un set di dati senza precedenti esaminato da 71 istituzioni sparse in sei continenti e i suoi risultati hanno dimostrato la capacità di migliorare il rilevamento del tumore al cervello del 33%. 

Jason Martin è ingegnere capo presso Intel Labs. 

"L'apprendimento federato ha un enorme potenziale in numerosi settori, in particolare nel settore sanitario, come dimostrato dalla nostra ricerca con Penn Medicine", ha affermato Martin. “La sua capacità di proteggere informazioni e dati sensibili apre la porta a futuri studi e collaborazioni, soprattutto nei casi in cui i set di dati sarebbero altrimenti inaccessibili. Il nostro lavoro con Penn Medicine ha il potenziale per avere un impatto positivo sui pazienti in tutto il mondo e non vediamo l'ora di continuare a esplorare la promessa dell'apprendimento federato".

Accessibilità dei dati in ambito sanitario

L'accessibilità dei dati è una sfida importante nel settore sanitario, con le leggi statali e nazionali sulla privacy dei dati che rendono difficile condurre ricerche mediche e dati su larga scala senza compromettere le informazioni sulla salute dei pazienti. Grazie all'elaborazione confidenziale, l'hardware e il software di apprendimento federato di Intel soddisfano i problemi di privacy dei dati e preservano l'integrità dei dati.

I team hanno elaborato volumi elevati di dati in un sistema decentralizzato utilizzando la tecnologia di apprendimento federato Intel insieme a Intel Software Guard Extensions (SGX), che aiutano a rimuovere le barriere alla condivisione dei dati. Il sistema affronta anche i problemi di privacy mantenendo i dati grezzi all'interno dell'infrastruttura di elaborazione dei titolari dei dati. Gli aggiornamenti del modello calcolati dai dati possono essere inviati solo a un server centrale o aggregatore. I dati stessi non possono essere inviati. 

Rob Enderle è il principale analista di Enderle Group. 

"Tutta la potenza di calcolo del mondo non può fare molto senza dati sufficienti da analizzare", ha affermato Enderle. “Questa incapacità di analizzare i dati che sono già stati acquisiti ha ritardato in modo significativo le massicce scoperte mediche che l'IA ha promesso. Questo studio sull'apprendimento federato mostra un percorso praticabile affinché l'IA possa progredire e raggiungere il suo potenziale come strumento più potente per combattere i nostri disturbi più difficili".

Spyridon Bakas, PhD, è assistente professore di patologia e medicina di laboratorio e radiologia presso la Perelman School of Medicine dell'Università della Pennsylvania. 

"In questo studio, l'apprendimento federato mostra il suo potenziale come cambio di paradigma nel garantire collaborazioni multi-istituzionali consentendo l'accesso al set di dati più ampio e diversificato di pazienti con glioblastoma mai considerato in letteratura, mentre tutti i dati vengono conservati all'interno di ogni istituzione in ogni momento ”, ha detto Bakas. "Più dati possiamo inserire nei modelli di apprendimento automatico, più accurati diventano, il che a sua volta può migliorare la nostra capacità di comprendere e curare anche malattie rare, come il glioblastoma".

È fondamentale per i ricercatori avere accesso a grandi quantità di dati medici per far progredire i trattamenti. Ma questa quantità di dati è solitamente eccessiva per una struttura. Con il nuovo studio, i ricercatori sono più vicini a sbloccare i silos di dati multisito per far progredire l'apprendimento federato su larga scala. Questi progressi potrebbero portare molti vantaggi come la diagnosi precoce della malattia.