Intel, Penn Medicine gjennomfører den største medisinske studien om distribuert læring

Intel Labs og Perelman School of Medicine ved University of Pennsylvania (Penn Medicine) har annonsert resultater fra den største medisinske studien om 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 på seks kontinenter, og resultater viste at den kunne forbedre hjernetumordeteksjon med 33%. 

Jason Martin er hovedingeniør ved Intel Labs. 

“Distribuert læring har enormt potensial over flere domener, særlig innen helsevesenet, som vist i vår forskning med Penn Medicine,” sa Martin. “Dens evne til å beskytte følsomme opplysninger og data åpner døren for fremtidige studier og samarbeid, særlig i tilfeller der datasett ellers ville være utilgjengelige. Vår arbeid med Penn Medicine har potensial til å påvirke pasienter over hele verden positivt, 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 stats- og nasjonale lover om datavern som gjør det vanskelig å utføre medisinsk forskning og datasamling i stor skala uten å kompromittere pasientens helseinformasjon. Takk til konfidensiell databehandling, er distribuert læringshardware og -programvare fra Intel i samsvar med datavernlovene og bevare datapåliteligheten.

Teamene prosesserte store mengder data i et desentralisert system ved hjelp av Intel-distribuert lærings-teknologi samt Intel Software Guard Extensions (SGX), som hjelper med å fjerne barrierer for deltakelse av data. Systemet tar også hånd om privatlivsproblemer ved å holde rådata inne i datasamlingens egen infrastruktur. Modelloppdateringer beregnet fra data kan bare sendes til en sentral server eller en aggregator. Selve data 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 forsinket de store medisinske gjennombruddene som AI har lovet. Denne distribuerte læringsstudien viser en livskraftig vei for AI 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, samt radiologi, ved Perelman School of Medicine ved University of Pennsylvania. 

“I denne studien viser distribuert læring sitt potensial som en paradigmeskift i å sikre samarbeid mellom flere institusjoner ved å gi tilgang til den største og mest diverse datasett av glioblastom-pasienter som noensinne er vurdert i litteraturen, mens alle data beholdes innen hver enkelt institusjon hele tiden,” sa Bakas. “Jo mer data vi kan mata inn i maskinlæringsmodeller, jo mer nøyaktige blir de, hvilket igjen 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 anlegg. Med den nye studien er forskerne nærmere å låse opp flersidige datasiloer for å fremme distribuert læring i stor skala. Disse fremgangene kan bringe mange fordeler, som tidlig oppdaging av sykdom.