Intel e Penn Medicine realizam o maior estudo de aprendizado federado em medicina

Os laboratórios da Intel (INTC ) e a Faculdade de Medicina Perelman da Universidade da Pensilvânia (Penn Medicine) anunciaram os resultados do maior estudo de aprendizado federado em medicina. O estudo de pesquisa conjunto utilizou aprendizado de máquina (ML) e inteligência artificial (IA) para ajudar instituições de saúde e pesquisa internacionais a identificar tumores cerebrais malignos.

A pesquisa foi publicada em Nature Communications.

Um Estudo Sem Precedentes

O estudo envolveu um conjunto de dados sem precedentes examinado por 71 instituições espalhadas por seis continentes, e seus resultados demonstraram a capacidade de melhorar a detecção de tumores cerebrais em 33%.

Jason Martin é engenheiro principal nos laboratórios da Intel.

“O aprendizado federado tem um potencial tremendo em diversos domínios, particularmente na área da saúde, como demonstrado por nossa pesquisa com a Penn Medicine”, disse Martin. “Sua capacidade de proteger informações sensíveis e dados abre portas para futuros estudos e colaborações, especialmente em casos em que conjuntos de dados seriam de outra forma inacessíveis. Nosso trabalho com a Penn Medicine tem o potencial de impactar positivamente pacientes em todo o mundo e estamos ansiosos para continuar explorando a promessa do aprendizado federado.”

Acessibilidade de Dados em Saúde

A acessibilidade de dados é um grande desafio na área da saúde, com leis de privacidade de dados estaduais e nacionais tornando difícil realizar pesquisas médicas e dados em larga escala sem comprometer a informação de saúde do paciente. Graças ao computação confidencial, o hardware e software de aprendizado federado da Intel atendem às preocupações de privacidade de dados e preservam a integridade dos dados.

As equipes processaram grandes volumes de dados em um sistema descentralizado utilizando a tecnologia de aprendizado federado da Intel, juntamente com as Extensões de Software de Proteção de Intel (SGX), que ajudam a remover barreiras de compartilhamento de dados. O sistema também aborda preocupações de privacidade mantendo os dados brutos dentro da infraestrutura de computação dos detentores de dados. Atualizações de modelo computadas a partir dos dados podem ser enviadas apenas para um servidor central ou agregador. Os próprios dados não podem ser enviados.

Rob Enderle é analista principal do Enderle Group.

“Toda a potência de computação do mundo não pode fazer muito sem dados suficientes para analisar”, disse Enderle. “A incapacidade de analisar dados que já foram capturados atrasou significativamente os grandes avanços médicos que a IA prometeu. Este estudo de aprendizado federado mostra um caminho viável para a IA avançar e alcançar seu potencial como a ferramenta mais poderosa para lutar contra nossas doenças mais difíceis.”

Spyridon Bakas, PhD, é professor assistente de Patologia e Medicina Laboratorial, e Radiologia, na Faculdade de Medicina Perelman da Universidade da Pensilvânia.

“Neste estudo, o aprendizado federado mostra seu potencial como uma mudança de paradigma em colaborações multi-institucionais, permitindo o acesso ao maior e mais diverso conjunto de dados de pacientes com glioblastoma já considerado na literatura, enquanto todos os dados são mantidos dentro de cada instituição a todo momento”, disse Bakas. “Quanto mais dados podemos alimentar nos modelos de aprendizado de máquina, mais precisos eles se tornam, o que, por sua vez, pode melhorar nossa capacidade de entender e tratar até doenças raras, como o glioblastoma.”

É crucial que os pesquisadores tenham acesso a grandes quantidades de dados médicos para avançar os tratamentos. Mas essa quantidade de dados geralmente é muito grande para uma única instituição. Com o novo estudo, os pesquisadores estão mais perto de desbloquear silos de dados multi-sítios para avançar o aprendizado federado em larga escala. Esses avanços podem trazer muitos benefícios, como a detecção precoce de doenças.