Intel och Penn Medicine genomför den största medicinska federerade inlärningsstudien

Intel (INTC ) Labs och Perelman School of Medicine vid University of Pennsylvania (Penn Medicine) har meddelat resultaten från den största medicinska federerade inlärningsstudien. Den gemensamma forskningsstudien använde maskinlärning (ML) och artificiell intelligens (AI) för att hjälpa internationella hälso- och forskningsinstitutioner att identifiera maligna hjärntumörer.

Forskningen publicerades i Nature Communications.

En utanför alla jämförelser studie

Studien omfattade en utanför alla jämförelser dataset som undersöktes från 71 institutioner spridda över sex kontinenter, och dess resultat visade på förmågan att förbättra upptäckten av hjärntumörer med 33%.

Jason Martin är chefsingenjör på Intel Labs.

“Federerad inlärning har ett enormt potential över många områden, särskilt inom hälso- och sjukvården, som visas av vår forskning med Penn Medicine,” sa Martin. “Dess förmåga att skydda känslig information och data öppnar dörren för framtida studier och samarbete, särskilt i fall där datamängder annars skulle vara otillgängliga. Vårt arbete med Penn Medicine har potentialen att positivt påverka patienter över hela världen och vi ser fram emot att fortsätta att utforska löftet om federerad inlärning.”

Data tillgänglighet i hälso- och sjukvården

Data tillgänglighet är en stor utmaning inom hälso- och sjukvården, med statliga och nationella dataskyddslagar som gör det svårt att genomföra medicinsk forskning och data i stor skala utan att äventyra patienternas hälsouppgifter. Tack vare konfidentiell databehandling uppfyller Intel federerade inlärningsmaskinvara och programvara dataskyddskraven och bevarar dataintegriteten.

Lagen bearbetade stora mängder data i ett decentraliserat system med hjälp av Intel federerade inlärningsteknologi tillsammans med Intel Software Guard Extensions (SGX), som hjälper till att ta bort datadelningshinder. Systemet hanterar också dataskyddsproblem genom att behålla rådata inom dataägarnas beräkningsinfrastruktur. Modelluppdateringar som beräknas från data kan endast skickas till en central server eller sammanställare. Själva data kan inte skickas.

Rob Enderle är chefsanalytiker på Enderle Group.

“All den beräkningskraft i världen kan inte göra mycket utan tillräckligt med data att analysera,” sa Enderle. “Oförmågan att analysera data som redan har samlats in har avsevärt försenat de stora medicinska genombrotten som AI har lovat. Denna federerade inlärningsstudie visar en livskraftig väg för AI att förbättras och uppnå sin potential som det kraftfullaste verktyget för att bekämpa våra svåraste sjukdomar.”

Spyridon Bakas, PhD, är biträdande professor i patologi och laboratoriemedicin samt radiologi vid Perelman School of Medicine vid University of Pennsylvania.

“I denna studie visar federerad inlärning sin potential som en paradigmförändring i att säkra samarbeten mellan flera institutioner genom att möjliggöra tillgång till den största och mest varierade datamängden av glioblastompatienter som någonsin har övervägts i litteraturen, medan all data behålls inom varje institution vid alla tillfällen,” sa Bakas. “Ju mer data vi kan mata in i maskinlärningsmodeller, desto mer exakta blir de, vilket i sin tur kan förbättra vår förmåga att förstå och behandla även sällsynta sjukdomar, såsom glioblastom.”

Det är avgörande för forskare att ha tillgång till stora mängder medicinska data för att förbättra behandlingar. Men denna mängd data är vanligtvis för stor för en enda anläggning. Med den nya studien är forskare närmare att låsa upp multisajtsdata silos för att förbättra federerad inlärning i stor skala. Dessa framsteg kan medföra många fördelar, såsom tidig upptäckt av sjukdom.