Intel, Penn Medicine przeprowadzają największe badanie federated learning w medycynie

Laboratoria Intel (INTC ) i Szkoła Medyczna Perelmana na Uniwersytecie Pensylwanii (Penn Medicine) ogłosiły wyniki największego badania federated learning w medycynie. Wspólne badanie wykorzystywało machine learning (ML) i sztuczną inteligencję (AI), aby pomóc międzynarodowym instytucjom opieki zdrowotnej i badawczym w identyfikowaniu złośliwych guzów mózgu.

Badanie zostało opublikowane w Nature Communications.

Nieprzewidywane badanie

Badanie obejmowało nieprzewidywaną ilość danych zebranych z 71 instytucji z sześciu kontynentów, a jego wyniki wykazały możliwość poprawy wykrywania guzów mózgu o 33%.

Jason Martin jest głównym inżynierem w Intel Labs.

„Federated learning ma ogromny potencjał w wielu dziedzinach, szczególnie w ochronie zdrowia, jak pokazuje nasze badanie z Penn Medicine”, powiedział Martin. „Jego zdolność do ochrony wrażliwych informacji i danych otwiera drzwi do przyszłych badań i współpracy, szczególnie w przypadkach, w których zestawy danych byłyby w przeciwnym razie niedostępne. Nasza praca z Penn Medicine ma potencjał pozytywnie wpłynąć na pacjentów na całym świecie i spodziewamy się dalszego eksplorowania obietnic federated learning.”

Dostępność danych w ochronie zdrowia

Dostępność danych jest głównym wyzwaniem w ochronie zdrowia, a prawa dotyczące prywatności danych utrudniają prowadzenie badań medycznych i danych na dużą skalę bez narażania informacji o zdrowiu pacjentów. Dzięki poufnemu przetwarzaniu, sprzęt i oprogramowanie federated learning od Intel są zgodne z problemami dotyczącymi prywatności danych i zachowują integralność danych.

Zespoły przetwarzały duże ilości danych w zdecentralizowanym systemie przy użyciu technologii federated learning od Intel oraz Intel Software Guard Extensions (SGX), które pomagają usunąć bariery związane z udostępnianiem danych. System ten rozwiązuje również problemy związane z prywatnością, utrzymując surowe dane w infrastrukturze obliczeniowej posiadaczy danych. Aktualizacje modelu obliczane z danych mogą być wysyłane tylko do centralnego serwera lub agregatora. Same dane nie mogą być wysłane.

Rob Enderle jest głównym analitykiem w Enderle Group.

„Cała moc obliczeniowa świata nie może wiele zdziałać bez wystarczających danych do analizy”, powiedział Enderle. „Niezdolność do analizy danych, które już zostały zebrane, znacznie opóźniła ogromne przełomy medyczne, które obiecywała sztuczna inteligencja. To badanie federated learning pokazuje wykonalną ścieżkę dla sztucznej inteligencji, aby posunąć się do przodu i osiągnąć swój potencjał jako najpotężniejsze narzędzie do walki z naszymi najtrudniejszymi chorobami.”

Spyridon Bakas, PhD, jest asystentem profesora Patologii i Medycyny Laboratoryjnej oraz Radiologii w Szkole Medycznej Perelmana na Uniwersytecie Pensylwanii.

„W tym badaniu, federated learning pokazuje swój potencjał jako przełom w zabezpieczaniu współpracy międzyinstytucjonalnej, umożliwiając dostęp do największego i najbardziej zróżnicowanego zestawu danych pacjentów z glioblastoma, jaki kiedykolwiek został rozważony w literaturze, przy czym wszystkie dane są przechowywane wewnątrz każdej instytucji w każdym czasie”, powiedział Bakas. „Im więcej danych możemy wprowadzić do modeli machine learning, tym bardziej są one dokładne, co z kolei może poprawić naszą zdolność do zrozumienia i leczenia nawet rzadkich chorób, takich jak glioblastoma.”

Jest to kluczowe dla badaczy, aby mieli dostęp do dużych ilości danych medycznych, aby posunąć się do przodu. Ale ta ilość danych jest zwykle zbyt duża dla jednej placówki. Z nowym badaniem, badacze są bliżej odblokowania wielostronicowych silosów danych, aby posunąć się do przodu z federated learning na dużą skalę. Te postępy mogą przynieść wiele korzyści, takich jak wczesne wykrywanie chorób.