Intel og Penn Medicine gjennomfører den største medisinske studien med distribuert læring

Intel (INTC ) Labs og Perelman School of Medicine ved University of Pennsylvania (Penn Medicine) har annonsert resultater fra den største medisinske studien med distribuert læring. Den felles forskningsstudien brukte maskinlæring (ML) og kunstig intelligens (AI) for å hjelpe internasjonale helse- og forskningsinstitusjoner med å identifisere maligne hjernetumorer.

Forskningen ble publisert i Nature Communications.

En utenkelig studie

Studien omfattet en utenkelig datasett som ble undersøkt fra 71 institusjoner fordelt over seks kontinenter, og resultater viste at det var mulig å forbedre hjernetumordeteksjon med 33%.

Jason Martin er hovedingeniør ved Intel Labs.

“Distribuert læring har enormt potensial i mange områder, særlig innen helsevesenet, som vist i vår forskning med Penn Medicine,” sa Martin. “Dens evne til å beskytte følsom informasjon og data åpner døren for fremtidige studier og samarbeid, særlig i tilfeller der datasett ellers ville være utilgjengelige. Vårt arbeid med Penn Medicine har potensialet til å ha en positiv innvirkning på pasienter over hele verden, og vi ser frem til å fortsette å utforske løftene med distribuert læring.”

Tilgjengelighet av data i helsevesenet

Tilgjengelighet av data er en stor utfordring i helsevesenet, med statlige og nasjonale lover om datavern som gjør det vanskelig å gjennomføre medisinsk forskning og datasamling i stor skala uten å kompromittere pasientens helseinformasjon. Takk til konfidensiell databehandling, er Intel sin distribuerte læringshardware og -programvare i samsvar med bekymringer om datavern og bevare datapålitelighet.

Teamene prosesserte store mengder data i et desentralisert system ved hjelp av Intel sin distribuerte læringsteknologi og Intel Software Guard Extensions (SGX), som hjelper med å fjerne barrierer for datadeling. Systemet tar også hånd om bekymringer om personvern ved å holde rådata innenfor dataselgere sine beregningsinfrastruktur. Modelloppdateringer beregnet fra data kan bare sendes til en sentral server eller aggregator. Dataene selv kan ikke sendes.

Rob Enderle er hovedanalytiker ved Enderle Group.

“All beregningskraft i verden kan ikke gjøre mye uten nok data å analysere,” sa Enderle. “Denne evnen til å analysere data som allerede er fanget, har betydelig forsinket de store medisinske gjennombruddene AI har lovet. Denne studien med distribuert læring viser en livskraftig vei for AI til å fremme og nå sitt potensial som det kraftigste verktøyet til å bekjempe våre vanskeligste sykdommer.”

Spyridon Bakas, PhD, er en assistentprofessor i patologi og laboratoriemedisin, og radiologi, ved Perelman School of Medicine ved University of Pennsylvania.

“I denne studien viser distribuert læring sitt potensial som en paradigmeskifte i sikring av multi-institusjonelle samarbeid ved å aktivere tilgang til den største og mest diverse datasett av glioblastom-pasienter som noensinne har vært vurdert i litteraturen, mens alle data beholdes innen hver enkelt institusjon til alle tider,” sa Bakas. “Jo mer data vi kan mata inn i maskinlæringsmodeller, jo mer nøyaktige blir de, og det kan forbedre vår evne til å forstå og behandle selv sjeldne sykdommer, som glioblastom.”

Det er kritisk for forskere å ha tilgang til store mengder medisinske data for å fremme behandlinger. Men denne mengden data er vanligvis for stor for ett enkelt fasilitet. Med den nye studien er forskerne nærmere å låse opp multisite datasiloer for å fremme distribuert læring i stor skala. Disse fremsteg kan bringe mange fordeler, som tidlig oppdaging av sykdom.