Intel, Penn Medicine ดำเนินการศึกษาการเรียนรู้แบบสหพันธ์ทางการแพทย์ที่ใหญ่ที่สุด

Intel Labs และ Perelman School of Medicine tại University of Pennsylvania (Penn Medicine) ได้ประกาศผลการศึกษาการเรียนรู้แบบสหพันธ์ทางการแพทย์ที่ใหญ่ที่สุด การศึกษาร่วมใช้การเรียนรู้ของเครื่อง (ML) และปัญญาประดิษฐ์ (AI) เพื่อช่วยใหสถาบันการดูแลสุขภาพและวิจัยระหว่างประเทศสามารถระบุเนื้องอกในสมองได้

ผลการวิจัยได้รับการตีพิมพ์ใน Nature Communications

การศึกษาที่ไม่เคยเกิดขึ้นมาก่อน

การศึกษานี้ใช้ข้อมูลที่ไม่เคยเกิดขึ้นมาก่อนจาก 71 สถาบันทั่ว 6 ทวีป และผลลัพธ์ได้แสดงให้เห็นถึงความสามารถในการปรับปรุงการตรวจจับเนื้องอกในสมองได้ถึง 33%

Jason Martin เป็นวิศวกรหลักของ Intel Labs

“การเรียนรู้แบบสหพันธ์มีศักยภาพที่ยิ่งใหญ่ในหลายโดเมน โดยเฉพาะอย่างยิ่งในด้านการดูแลสุขภาพ ตามที่เราได้แสดงให้เห็นในการวิจัยร่วมกับ Penn Medicine” Martin กล่าว “ความสามารถในการปกป้องข้อมูลที่ละเอียดอ่อนและข้อมูลเปิดโอกาสให้เกิดการศึกษาและความร่วมมือในอนาคต โดยเฉพาะอย่างยิ่งในกรณีที่ข้อมูลที่ไม่เคยเกิดขึ้นมาก่อนไม่สามารถเข้าถึงได้ การทำงานร่วมกันของเรากับ Penn Medicine มีศักยภาพที่จะส่งผลกระทบเชิงบวกต่อผู้ป่วยทั่วโลก และเรารอคอยที่จะสำรวจความหวังของการเรียนรู้แบบสหพันธ์ต่อไป”

การเข้าถึงข้อมูลในด้านการดูแลสุขภาพ

การเข้าถึงข้อมูลเป็นความท้าทายหลักในด้านการดูแลสุขภาพ โดยมีกฎหมายความเป็นส่วนตัวของข้อมูลของรัฐและระดับชาติที่ทำให้การวิจัยทางการแพทย์และข้อมูลในระดับใหญ่ไม่สามารถดำเนินการได้โดยไม่กระทบต่อข้อมูลสุขภาพของผู้ป่วย ขอบคุณการประมวลผลแบบส่วนตัว การเรียนรู้แบบสหพันธ์ฮาร์ดแวร์และซอฟต์แวร์จาก Intel tuanrum กับข้อกังวลด้านความเป็นส่วนตัวของข้อมูลและรักษาความสมบูรณ์ของข้อมูล

ทีมงานประมวลผลข้อมูลในปริมาณมากในระบบที่กระจายโดยใช้เทคโนโลยีการเรียนรู้แบบสหพันธ์ของ Intel ร่วมกับ Intel Software Guard Extensions (SGX) ซึ่งช่วยลบข้อจำกัดในการแบ่งปันข้อมูล ระบบนี้ยังจัดการกับข้อกังวลด้านความเป็นส่วนตัวโดยการรักษาข้อมูลดิบไว้ภายในโครงสร้างพื้นฐานการประมวลผลของเจ้าของข้อมูล การอัปเดตแบบจำลองที่คำนวณจากข้อมูลสามารถส่งไปยังเซิร์ฟเวอร์กลางหรือผู้รวบรวมได้เท่านั้น ข้อมูลเองไม่สามารถส่งได้

Rob Enderle เป็นนักวิเคราะห์หลักของ Enderle Group

“พลังการประมวลผลทั้งหมดไม่สามารถทำอะไรได้โดยไม่มีข้อมูลเพียงพอในการวิเคราะห์” Enderle กล่าว “ความไม่สามารถวิเคราะห์ข้อมูลที่ถูกจับมาแล้วทำให้ความก้าวหน้าทางการแพทย์ที่ยิ่งใหญ่ล่าช้า การศึกษาการเรียนรู้แบบสหพันธ์นี้แสดงให้เห็นถึงเส้นทางที่เป็นไปได้สำหรับ AI ที่จะก้าวหน้าและบรรลุศักยภาพของ AI ในฐานะเครื่องมือที่ทรงพลังที่สุดในการต่อสู้กับโรคที่ยากที่สุด”

Spyridon Bakas, PhD เป็นอาจารย์ผู้ช่วยสาขาวิชา Pathology & Laboratory Medicine และ Radiology ที่ Perelman School of Medicine ของ University of Pennsylvania

“ในการศึกษานี้ การเรียนรู้แบบสหพันธ์แสดงให้เห็นถึงศักยภาพของตนเองในฐานะการเปลี่ยนแปลงแบบจักรวาลในการรักษาความร่วมมือระหว่างสถาบันหลายแห่ง โดยการเปิดโอกาสให้เข้าถึงข้อมูลผู้ป่วย glioblastoma ที่ใหญ่ที่สุดและหลากหลายที่สุดเท่าที่เคยพิจารณาในเอกสารการวิจัย ในขณะที่ข้อมูลทั้งหมดถูกเก็บไว้ภายในสถาบันทั้งหมดตลอดเวลา” Bakas กล่าว “ข้อมูลที่เราสามารถป้อนเข้าไปในแบบจำลองการเรียนรู้ของเครื่องได้มากเท่าไหร่ แบบจำลองก็จะแม่นยำมากขึ้นเท่านั้น ซึ่งจะช่วยให้เราเข้าใจและรักษาโรคที่หายาก เช่น glioblastoma ได้ดีขึ้น”

เป็นสิ่งสำคัญสำหรับนักวิจัยที่จะต้องสามารถเข้าถึงข้อมูลทางการแพทย์จำนวนมากเพื่อพัฒนาการรักษา แต่ปริมาณข้อมูลนี้มักจะมากเกินไปสำหรับสถาบันเดียว ด้วยการศึกษานี้ นักวิจัยก้าวหนึ่งใกล้จะปลดล็อกข้อมูลที่กระจายอยู่ในหลายแห่งเพื่อพัฒนาการเรียนรู้แบบสหพันธ์ในระดับใหญ่ ความก้าวหน้านี้อาจนำมาซึ่งประโยชน์หลายอย่าง เช่น การตรวจพบโรคในระยะแรก