Intel en Penn Medicine voeren grootste medische federated learning-studie uit

Intel (INTC ) Labs en de Perelman School of Medicine van de Universiteit van Pennsylvania (Penn Medicine) hebben de resultaten van de grootste medische federated learning-studie aangekondigd. De gezamenlijke onderzoeksstudie gebruikte machine learning (ML) en kunstmatige intelligentie (AI) om internationale gezondheids- en onderzoeksinstellingen te helpen bij het identificeren van kwaadaardige hersentumoren.

Het onderzoek werd gepubliceerd in Nature Communications.

Een ongekende studie

De studie omvatte een ongekend dataset dat werd onderzocht van 71 instellingen verspreid over zes continenten, en de resultaten toonden aan dat de detectie van hersentumoren met 33% kon worden verbeterd.

Jason Martin is principal engineer bij Intel Labs.

“Federated learning heeft een enorm potentieel in tal van domeinen, met name in de gezondheidszorg, zoals onze onderzoek met Penn Medicine heeft aangetoond,” zei Martin. “De mogelijkheid om gevoelige informatie en data te beschermen, opent de deur voor toekomstig onderzoek en samenwerking, vooral in gevallen waarin datasets anders ontoegankelijk zouden zijn. Ons werk met Penn Medicine heeft het potentieel om een positieve impact te hebben op patiënten over de hele wereld en we kijken ernaar uit om de belofte van federated learning verder te onderzoeken.”

Gegevensbeschikbaarheid in de gezondheidszorg

Gegevensbeschikbaarheid is een grote uitdaging in de gezondheidszorg, met nationale en staatelijke gegevensbeschermingswetten die het moeilijk maken om medisch onderzoek en gegevens op grote schaal uit te voeren zonder de gezondheidsinformatie van patiënten te schenden. Dankzij vertrouwelijke computing voldoen de federated learning-hardware en -software van Intel aan de gegevensbeschermingszorgen en behouden ze de gegevensintegriteit.

De teams verwerkten grote hoeveelheden gegevens in een gedecentraliseerd systeem met behulp van Intel-federated learning-technologie en Intel Software Guard Extensions (SGX), die helpen om gegevensdelingsbarrières te verwijderen. Het systeem adresseert ook privacyzorgen door de ruwe gegevens binnen de compute-infrastructuur van de gegevenshouders te houden. Modelupdates die zijn berekend uit de gegevens, kunnen alleen worden verzonden naar een centrale server of aggregator. De gegevens zelf kunnen niet worden verzonden.

Rob Enderle is principal analyst bij Enderle Group.

“Al het rekenvermogen in de wereld kan niet veel doen zonder voldoende gegevens om te analyseren,” zei Enderle. “Deze onmogelijkheid om gegevens te analyseren die al zijn vastgelegd, heeft de enorme medische doorbraken die AI heeft beloofd, aanzienlijk vertraagd. Deze federated learning-studie toont een haalbare weg voor AI om vooruit te komen en zijn potentieel te bereiken als het meest krachtige instrument om onze moeilijkste ziektes te bestrijden.”

Spyridon Bakas, PhD, is assistant professor in Pathologie en Laboratoriumgeneeskunde en Radiologie aan de Perelman School of Medicine van de Universiteit van Pennsylvania.

“In deze studie toont federated learning zijn potentieel als een paradigmashift in het waarborgen van multi-institutionele samenwerking door toegang te bieden tot de grootste en meest diverse dataset van glioblastoma-patiënten ooit beschreven in de literatuur, terwijl alle gegevens binnen elke instelling te allen tijde worden behouden,” zei Bakas. “Hoe meer gegevens we in machine learning-modellen kunnen voeden, hoe nauwkeuriger ze worden, wat op zijn beurt onze mogelijkheid kan verbeteren om ziektes te begrijpen en te behandelen, zelfs zeldzame ziektes zoals glioblastoma.”

Het is cruciaal voor onderzoekers om toegang te hebben tot grote hoeveelheden medische gegevens om behandelingen te verbeteren. Maar deze hoeveelheid gegevens is meestal te veel voor één faciliteit. Met de nieuwe studie zijn onderzoekers dichter bij het ontsluiten van multisite-gegevenssilos om federated learning op grote schaal te verbeteren. Deze vooruitgang kan veel voordelen opleveren, zoals de vroege detectie van ziektes.