Intel, Penn Medicine efectuează cel mai mare studiu medical de învățare federată

Intel (INTC ) Labs și Școala de Medicină Perelman de la Universitatea din Pennsylvania (Penn Medicine) au anunțat rezultatele celui mai mare studiu medical de învățare federată. Studiul de cercetare comun a utilizat machine learning (ML) și inteligență artificială (AI) pentru a ajuta instituțiile internaționale de sănătate și cercetare să identifice tumorile maligne ale creierului. 

Cercetarea a fost publicată în Nature Communications. 

Un studiu fără precedent

Studiul a implicat un set de date fără precedent, examinat de 71 de instituții răspândite pe șase continente, și rezultatele sale au demonstrat capacitatea de a îmbunătăți detectarea tumorilor cerebrale cu 33%. 

Jason Martin este inginer principal la Intel Labs. 

“Învățarea federată are un potențial enorm în numeroase domenii, în special în sănătate, așa cum se arată în cercetarea noastră cu Penn Medicine,” a spus Martin. “Capacitatea sa de a proteja informațiile sensibile și datele deschide ușa pentru studii viitoare și colaborări, în special în cazurile în care seturile de date ar fi altfel inaccesibile. Lucrul nostru cu Penn Medicine are potențialul de a avea un impact pozitiv asupra pacienților din întreaga lume și ne așteptăm să continuăm să explorăm promisiunea învățării federate.”

Accesibilitatea datelor în sănătate

Accesibilitatea datelor este o provocare majoră în sănătate, legile de confidențialitate a datelor la nivel de stat și național făcând dificilă desfășurarea cercetării medicale și a datelor la scară largă fără a compromite informațiile despre sănătatea pacienților. Mulțumită calculului confidențial, hardware-ul și software-ul de învățare federată de la Intel respectă preocupările legate de confidențialitatea datelor și păstrează integritatea datelor.

Echipele au procesat volume mari de date într-un sistem descentralizat, utilizând tehnologia de învățare federată Intel, împreună cu Intel Software Guard Extensions (SGX), care ajută la înlăturarea barierelor de partajare a datelor. Sistemul abordează, de asemenea, preocupările legate de confidențialitate, menținând datele brute în interiorul infrastructurii de calcul a deținătorilor de date. Actualizările modelului calculate din date pot fi trimise doar către un server central sau agregator. Datele însele nu pot fi trimise. 

Rob Enderle este analist principal la Enderle Group. 

“Toată puterea de calcul din lume nu poate face prea multe fără suficiente date pentru analiză,” a spus Enderle. “Această incapacitate de a analiza datele care au fost deja capturate a întârziat semnificativ progresele medicale promise de inteligența artificială. Acest studiu de învățare federată prezintă o cale viabilă pentru inteligența artificială să progreseze și să-și atingă potențialul ca cel mai puternic instrument pentru a lupta împotriva bolilor noastre cele mai dificile.”

Spyridon Bakas, PhD, este profesor asistent de Patologie și Medicină de Laborator, și Radiologie, la Școala de Medicină Perelman de la Universitatea din Pennsylvania. 

“În acest studiu, învățarea federată arată potențialul său ca o schimbare de paradigmă în colaborările multi-instituționale, permițând accesul la cel mai mare și mai divers set de date de pacienți cu glioblastom considerat vreodată în literatură, în timp ce toate datele sunt păstrate în interiorul fiecărei instituții în orice moment,” a spus Bakas. “Cu cât mai multe date putem alimenta modelele de machine learning, cu atât mai precise devin, ceea ce, la rândul său, poate îmbunătăți capacitatea noastră de a înțelege și trata chiar și boli rare, cum ar fi glioblastomul.”

Este crucial pentru cercetători să aibă acces la cantități mari de date medicale pentru a avansa tratamentele. Dar această cantitate de date este de obicei prea mare pentru o singură instituție. Cu noul studiu, cercetătorii sunt mai aproape de deblocarea silozurilor de date multisite pentru a avansa învățarea federată la scară largă. Aceste progrese ar putea aduce multe beneficii, cum ar fi detectarea precoce a bolilor.