Intel samarbetar med University of Pennsylvania i användningen av integritetsbevarande AI för att identifiera hjärntumörer

Intel Labs och Perelman School of Medicine vid University of Pennsylvania (Penn Medicine) etablerar en federation med 29 internationella hälso- och forskningsinstitut för att träna artificiell intelligens (AI)-modeller som identifierar hjärntumörer med hjälp av en integritetsbevarande teknik som kallas federerat lärande. Detta arbete finansieras av Informatics Technology for Cancer Research (ICTR)-programmet vid National Cancer Institute (NCI) vid National Institutes of Health (NIH), genom ett treårigt bidrag på 1,2 miljoner dollar som tilldelats huvudsökande Dr. Spyridon Bakas, vid Center for Biomedical Image Computing and Analytics (CBICA) vid University of Pennsylvania.

“AI visar stort löfte för tidig upptäckt av hjärntumörer, men det kommer att kräva mer data än vad ett enskilt medicinskt center har för att nå sin fulla potential. Med hjälp av Intel-programvara och hårdvara och stöd från några av Intels skarpaste hjärnor samarbetar vi med University of Pennsylvania och en federation av 29 samarbetande medicinska center för att främja identifieringen av hjärntumörer samtidigt som vi skyddar känsliga patientdata.” – Jason Martin, huvudingennör, Intel Labs

Hur det fungerar

Penn Medicine och 29 hälso- och forskningsinstitut från USA, Kanada, Storbritannien, Tyskland, Nederländerna, Schweiz och Indien kommer att använda federerat lärande, som är en distribuerad maskinläransats som möjliggör för organisationer att samarbeta på djupinlärningsprojekt utan att dela patientdata.

Penn Medicine och Intel Labs var de första som publicerade en artikel om federerat lärande inom det medicinska bildområdet, särskilt visande att den federerade lärandemodellen kunde träna en modell till över 99 % av den noggrannhet som en modell tränad med den traditionella, icke-privata metoden. Denna artikel presenterades ursprungligen vid den internationella konferensen om medicinsk bildbehandling och datorstödd intervention (MICCAI) 2018, i Granada, Spanien. Det nya arbetet kommer att utnyttja Intel-programvara och hårdvara för att implementera federerat lärande på ett sätt som ger ytterligare integritetsskydd för både modellen och data.

“Det är allmänt accepterat av vår vetenskapliga gemenskap att maskinlärningsträning kräver riklig och varierad data som ingen enskild institution kan ha. Vi samordnar en federation av 29 samarbetande internationella hälso- och forskningsinstitut, som kommer att kunna träna state-of-the-art AI-modeller för hälsovård med hjälp av integritetsbevarande maskinlärningstekniker, inklusive federerat lärande. I år kommer federationen att börja utveckla algoritmer som identifierar hjärntumörer från en kraftigt utökad version av International Brain Tumor Segmentation (BraTS) challenge-dataset. Denna federation kommer att ge medicinska forskare tillgång till enormt mycket större mängder hälso-data samtidigt som den skyddar säkerheten för dessa data.” – Dr. Spyridon Bakas, University of Pennsylvania

Varför det är viktigt:

Enligt American Brain Tumor Association (ABTA) kommer nästan 80 000 personer att diagnostiseras med en hjärntumör i år, varav över 4 600 är barn. För att träna och bygga en modell som kan upptäcka en hjärntumör som kan bidra till tidig upptäckt och bättre resultat behöver forskare tillgång till stora mängder relevanta medicinska data. Det är dock avgörande att datan förblir privat och skyddad, vilket är där federerat lärande med Intel-teknik kommer in. Genom att använda denna metod kan forskare från alla samarbetspartners arbeta tillsammans för att bygga och träna en algoritm för att upptäcka en hjärntumör samtidigt som de skyddar känsliga medicinska data.

Vad som händer härnäst:

2020 kommer Penn och de 29 internationella hälso- och forskningsinstituten att använda Intels federerade lärandehårdvara och -programvara för att producera en ny state-of-the-art AI-modell som tränas på den största hjärntumörsdataset hittills – allt utan att känsliga patientdata lämnar de enskilda samarbetsparterna. Den förväntade delmängden av samarbetsinstitut som förväntas delta i att initiera den första fasen av denna federation inkluderar Hospital of the University of Pennsylvania, Washington University i St. Louis, University of Pittsburgh Medical Center, Vanderbilt University, Queen’s University, Technical University of Munich, University of Bern, King’s College London och Tata Memorial Hospital.

Lär mer:

• Vad är federerat lärande?
• Federerat lärande för medicinsk bildbehandling (blogg)
• Att främja både AI och integritet är inte ett nollsummespel (op-ed)
• Artificiell intelligens på Intel
• Federerat lärande i medicin