Intel และ Penn Medicine ดำเนินการวิจัย Federated Learning ในด้านการแพทย์ที่ใหญ่ที่สุด

Intel (INTC ) Labs และ Perelman School of Medicine tại University of Pennsylvania (Penn Medicine) ได้ประกาศผลการวิจัย Federated Learning ในด้านการแพทย์ที่ใหญ่ที่สุด โดยใช้ Machine Learning (ML) และ Artificial Intelligence (AI) เพื่อช่วยให้สถาบันการแพทย์และการวิจัยระหว่างประเทศสามารถระบุเนื้องอกในสมองได้

การวิจัยนี้ได้รับการตีพิมพ์ใน Nature Communications.

การวิจัยที่ไม่เคยเกิดขึ้นมาก่อน

การวิจัยนี้เกี่ยวข้องกับข้อมูลที่ไม่เคยเกิดขึ้นมาก่อน โดยมีการตรวจสอบข้อมูลจาก 71 สถาบันทั่วโลก และผลการวิจัยแสดงให้เห็นว่าสามารถปรับปรุงการตรวจจับเนื้องอกในสมองได้ถึง 33%

Jason Martin เป็น Principal Engineer ที่ Intel Labs

“Federated Learning มีศักยภาพที่น่าตื่นเต้นในหลายๆ ด้าน โดยเฉพาะอย่างยิ่งในด้านการแพทย์ ดังที่เราได้แสดงให้เห็นในการวิจัยร่วมกับ Penn Medicine” Martin กล่าว “ความสามารถในการปกป้องข้อมูลที่ละเอียดอ่อนและข้อมูลเปิดโอกาสให้การวิจัยและความร่วมมือในอนาคต โดยเฉพาะอย่างยิ่งในกรณีที่ข้อมูลไม่สามารถเข้าถึงได้ การทำงานร่วมกับ Penn Medicine ของเรามีศักยภาพที่จะส่งผลกระทบเชิงบวกต่อผู้ป่วยทั่วโลก และเราหวังว่าจะได้สำรวจศักยภาพของ Federated Learning ต่อไป”

การเข้าถึงข้อมูลในด้านการแพทย์

การเข้าถึงข้อมูลเป็นความท้าทายหลักในด้านการแพทย์ โดยกฎหมายความเป็นส่วนตัวของข้อมูลของรัฐและชาติทำให้การวิจัยและใช้ข้อมูลในระดับใหญ่ไม่สามารถทำได้โดยไม่กระทบต่อข้อมูลสุขภาพของผู้ป่วย ด้วยการคำนวณที่มีการรักษาความลับ Federated Learning ของ Intel สามารถช่วยให้การวิจัยและใช้ข้อมูลในระดับใหญ่โดยไม่กระทบต่อข้อมูลสุขภาพของผู้ป่วย

ทีมงานได้ประมวลผลข้อมูลในปริมาณมากโดยใช้ระบบที่กระจายโดยใช้เทคโนโลยี Federated Learning ของ Intel ร่วมกับ Intel Software Guard Extensions (SGX) ซึ่งช่วยให้สามารถกำจัดอุปสรรคในการแบ่งปันข้อมูล ระบบนี้ยังช่วยให้สามารถรักษาความเป็นส่วนตัวโดยการเก็บข้อมูลดิบไว้ภายในโครงสร้างพื้นฐานการคำนวณของเจ้าของข้อมูล การอัปเดตแบบจำลองที่คำนวณจากข้อมูลสามารถส่งไปยังเซิร์ฟเวอร์กลางหรือผู้รวบรวมข้อมูลได้ แต่ข้อมูลดิบไม่สามารถส่งได้

Rob Enderle เป็น Principal Analyst ที่ Enderle Group

“พลังการคำนวณทั้งหมดไม่สามารถทำอะไรได้โดยไม่มีข้อมูลเพียงพอในการวิเคราะห์” Enderle กล่าว “ความไม่สามารถวิเคราะห์ข้อมูลที่ได้รับการจับมาแล้วทำให้ความก้าวหน้าทางการแพทย์ที่ AI สัญญาไว้ล่าช้าไปมาก การวิจัย Federated Learning นี้แสดงให้เห็นถึงเส้นทางที่เป็นไปได้สำหรับ AI ที่จะก้าวหน้าและบรรลุศักยภาพของมันในฐานะเครื่องมือที่ทรงพลังที่สุดในการต่อสู้กับโรคที่ยากที่สุด”

Spyridon Bakas, PhD เป็น Assistant Professor ของ Pathology & Laboratory Medicine และ Radiology ที่ Perelman School of Medicine tại University of Pennsylvania

“ในงานวิจัยนี้ Federated Learning แสดงให้เห็นถึงศักยภาพของมันในฐานะการเปลี่ยนแปลงในด้านความร่วมมือระหว่างสถาบันโดยการให้เข้าถึงข้อมูลที่ใหญ่ที่สุดและหลากหลายที่สุดของ患者 glioblastoma ที่เคยพิจารณาในเอกสารวิจัย โดยที่ข้อมูลทั้งหมดถูกเก็บไว้ภายในสถาบันตลอดเวลา” Bakas กล่าว “เมื่อเราให้อาหารข้อมูลมากขึ้นให้กับแบบจำลอง Machine Learning มันจะ变得แม่นยำมากขึ้น ซึ่งจะช่วยให้เราเข้าใจและรักษาโรคที่หายาก เช่น glioblastoma ได้ดีขึ้น”

นักวิจัยจำเป็นต้องมีการเข้าถึงข้อมูลทางการแพทย์ที่มีปริมาณมากเพื่อพัฒนาการรักษา แต่ปริมาณข้อมูลนี้มักมากเกินไปสำหรับสถาบันเดียว ด้วยการวิจัยใหม่นี้ นักวิจัยใกล้จะปลดล็อกข้อมูลที่กระจายอยู่ในหลายๆ สถานที่เพื่อพัฒนาการเรียนรู้แบบ Federated ในระดับใหญ่ การพัฒนานี้อาจนำมาซึ่งประโยชน์หลายอย่าง เช่น การตรวจจับโรคในระยะแรก