Intel, Penn Medicine przeprowadzają największe badanie medyczne z użyciem federated learning

Intel Labs i Perelman School of Medicine at the University of Pennsylvania (Penn Medicine) ogłosiły wyniki największego badania medycznego z użyciem federated learning. Wspólne badanie wykorzystywało machine learning (ML) i sztuczną inteligencję (AI), aby pomóc międzynarodowym instytucjom ochrony zdrowia i badawczym w identyfikowaniu złośliwych guzów mózgu. 

Badanie zostało opublikowane w Nature Communications. 

Nie precedensowe badanie

Badanie obejmowało nie precedensowy zbiór danych zbadanych z 71 instytucji rozproszonych na sześciu kontynentach, 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 to 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 nie możemy doczekać się, aby kontynuować eksplorowanie obietnic federated learning.”

Dostępność danych w ochronie zdrowia

Dostępność danych jest głównym wyzwaniem w ochronie zdrowia, z przepisami dotyczącymi ochrony danych na poziomie stanowym i krajowym, które utrudniają prowadzenie badań medycznych i danych na dużą skalę bez naruszania informacji o zdrowiu pacjentów. Dzięki confidential computing, sprzęt i oprogramowanie federated learning od Intel są zgodne z problemami ochrony danych i zachowują integralność danych.

Zespoły przetwarzały duże ilości danych w systemie zdecentralizowanym 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 wewnątrz infrastruktury obliczeniowej posiadaczy danych. Aktualizacje modelu obliczone z danych mogą być wysłane 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. “Ta niezdolność do analizy danych, które już zostały przechwycone, znacznie opóźniła ogromne przełomy medyczne, które obiecywała sztuczna inteligencja. To badanie federated learning pokazuje wiarygodną 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 Perelman School of Medicine at the University of Pennsylvania. 

“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, podczas gdy wszystkie dane są przechowywane wewnątrz każdej instytucji w każdym czasie,” powiedział Bakas. “Im więcej danych możemy wprowadzić do modeli machine learning, tym bardziej dokładne stają się, 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 do przodu leczenie. Ale ta ilość danych jest zwykle zbyt duża dla jednej placówki. Z nowym badaniem, badacze są bliżej odblokowania wielu repozytoriów danych, aby posunąć do przodu federated learning na dużą skalę. Te postępy mogą przynieść wiele korzyści, takich jak wczesne wykrywanie chorób.