Intel и Penn Medicine провели самое большое медицинское исследование федеративного обучения

Intel (INTC ) Labs и Перельманская медицинская школа Университета Пенсильвании (Penn Medicine) объявили о результатах самого большого медицинского исследования федеративного обучения. Совместное исследовательское исследование использовало машинное обучение (ML) и искусственный интеллект (AI) для помощи международным учреждениям здравоохранения и исследований в выявлении злокачественных опухолей мозга.

Исследование было опубликовано в Nature Communications.

Безпрецедентное исследование

Исследование включало беспрецедентный набор данных, рассмотренный 71 учреждением, расположенным на шести континентах, и его результаты продемонстрировали возможность улучшения обнаружения опухолей мозга на 33%.

Джейсон Мартин – главный инженер Intel Labs.

«Федеративное обучение имеет огромный потенциал в различных областях, особенно в здравоохранении, как показано нашим исследованием с Penn Medicine», – сказал Мартин. «Его способность защищать конфиденциальную информацию и данные открывает двери для будущих исследований и сотрудничества, особенно в случаях, когда наборы данных в противном случае были бы недоступны. Наша работа с Penn Medicine имеет потенциал положительно повлиять на пациентов во всем мире, и мы с нетерпением ждем продолжения изучения обещаний федеративного обучения».

Доступность данных в здравоохранении

Доступность данных является серьезной проблемой в здравоохранении, поскольку государственные и национальные законы о защите данных затрудняют проведение медицинских исследований и обработку данных в крупном масштабе без компрометации информации о здоровье пациентов. Благодаря конфиденциальному вычислению, аппаратное и программное обеспечение федеративного обучения Intel соответствуют проблемам защиты данных и сохраняют целостность данных.

Команды обработали большие объемы данных в децентрализованной системе с помощью технологии федеративного обучения Intel, а также Intel Software Guard Extensions (SGX), которые помогают устранить барьеры обмена данными. Система также решает проблемы конфиденциальности, сохраняя исходные данные внутри инфраструктуры вычислений владельцев данных. Обновления моделей, вычисленные из данных, могут быть отправлены только на центральный сервер или агрегатор. Сами данные не могут быть отправлены.

Роб Эндлер – главный аналитик Enderle Group.

«Все вычислительные мощности мира не могут сделать многое без достаточного количества данных для анализа», – сказал Эндлер. «Эта невозможность анализировать данные, которые уже были получены, существенно задержала значительные медицинские прорывы, обещанные ИИ. Это исследование федеративного обучения демонстрирует жизнеспособный путь для ИИ, чтобы продвинуться и достичь своего потенциала как самого мощного инструмента для борьбы с нашими наиболее сложными заболеваниями».

Спиридон Бакас, PhD, – помощник профессора патологии и лабораторной медицины, а также радиологии, в Перельманской медицинской школе Университета Пенсильвании.

«В этом исследовании федеративное обучение демонстрирует свой потенциал как сдвиг парадигмы в обеспечении многоинституциональных сотрудничеств, позволяя получить доступ к самому большому и разнообразному набору данных пациентов с глиобластомой, когда-либо рассматриваемому в литературе, при этом все данные сохраняются внутри каждого учреждения во все время», – сказал Бакас. «Чем больше данных мы можем подать в модели машинного обучения, тем более точными они становятся, что, в свою очередь, может улучшить нашу способность понимать и лечить даже редкие заболевания, такие как глиобластома».

Исследователям крайне важно иметь доступ к большим объемам медицинских данных, чтобы продвинуть методы лечения. Но этот объем данных обычно слишком велик для одного учреждения. С новым исследованием исследователи ближе к разблокировке многосайтовых хранилищ данных для продвижения федеративного обучения в крупном масштабе. Эти достижения могут принести многочисленные выгоды, такие как раннее обнаружение заболеваний.