Intel, Penn Medicine condotta lo studio di apprendimento federato medico più grande

Intel Labs e la Perelman School of Medicine dell’Università della Pennsylvania (Penn Medicine) hanno annunciato i risultati dello studio di apprendimento federato medico più grande. Lo studio di ricerca congiunto ha utilizzato il machine learning (ML) e l’intelligenza artificiale (AI) per aiutare le istituzioni sanitarie e di ricerca internazionali a identificare i tumori cerebrali maligni.

La ricerca è stata pubblicata in Nature Communications.

Uno studio senza precedenti

Lo studio ha coinvolto un dataset senza precedenti esaminato da 71 istituzioni sparse su sei continenti, e i suoi risultati hanno dimostrato la capacità di migliorare la rilevazione dei tumori cerebrali del 33%.

Jason Martin è ingegnere principale presso Intel Labs.

“L’apprendimento federato ha un enorme potenziale in numerosi domini, in particolare nel settore sanitario, come dimostrato dalla nostra ricerca con Penn Medicine”, ha detto Martin. “La sua capacità di proteggere le informazioni sensibili e i dati apre la porta a future ricerche e collaborazioni, soprattutto in casi in cui i dataset sarebbero altrimenti inaccessibili. Il nostro lavoro con Penn Medicine ha il potenziale di avere un impatto positivo sui pazienti di tutto il mondo e siamo ansiosi di continuare a esplorare la promessa dell’apprendimento federato.”

Accessibilità dei dati nel settore sanitario

L’accessibilità dei dati è una grande sfida nel settore sanitario, con le leggi sulla privacy dei dati statali e nazionali che rendono difficile condurre ricerche mediche e dati su larga scala senza compromettere le informazioni sulla salute dei pazienti. Grazie al calcolo confidente, il hardware e il software di apprendimento federato di Intel sono conformi alle preoccupazioni sulla privacy dei dati e preservano l’integrità dei dati.

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

Rob Enderle è analista principale presso Enderle Group.

“Tutto il potere di calcolo del mondo non può fare molto senza abbastanza dati da analizzare”, ha detto Enderle. “L’incapacità di analizzare i dati che sono già stati catturati ha ritardato notevolmente le grandi scoperte mediche che l’AI ha promesso. Questo studio di apprendimento federato mostra un percorso fattibile per l’AI per avanzare e raggiungere il suo potenziale come lo strumento più potente per combattere le nostre malattie più difficili.”

Spyridon Bakas, PhD, è professore assistente di Patologia e Medicina di laboratorio, e Radiologia, alla Perelman School of Medicine dell’Università della Pennsylvania.

“In questo studio, l’apprendimento federato mostra il suo potenziale come un cambiamento paradigmatico nella sicurezza delle collaborazioni multi-istituzionali, consentendo l’accesso al più grande e diversificato dataset di pazienti con glioblastoma mai considerato nella letteratura, mentre tutti i dati sono conservati all’interno di ciascuna istituzione in ogni momento”, ha detto Bakas. “Più dati possiamo alimentare nei modelli di apprendimento automatico, più precisi diventano, il che a sua volta può migliorare la nostra capacità di comprendere e trattare anche malattie rare, come il glioblastoma.”

È fondamentale per i ricercatori avere accesso a grandi quantità di dati medici per avanzare i trattamenti. Ma questa quantità di dati è solitamente troppo grande per una sola struttura. Con il nuovo studio, i ricercatori sono più vicini a sbloccare i silos di dati multi-sito per avanzare l’apprendimento federato su larga scala. Questi progressi potrebbero portare a molti benefici, come la rilevazione precoce delle malattie.