Intel, Penn Tıp Okulu En Büyük Tıbbi Federated Learning Çalışmasını Gerçekleştirdi

Intel (INTC ) Labs ve Pennsylvania Üniversitesi Tıp Fakültesi (Penn Tıp), en büyük tıbbi federated learning çalışmasının sonuçlarını açıkladı. Ortak araştırma çalışması, uluslararası sağlık kurumları ve araştırma kurumlarının kötü huylu beyin tümörlerini tanımlamalarına yardımcı olmak için makine öğrenimi (ML) ve yapay zeka (AI) kullandı.

Araştırma Nature Communications‘de yayımlandı.

Önceden Görülmemiş Bir Çalışma

Çalışma, altı kıtaya yayılan 71 kuruluştan oluşan benzersiz bir veri setini inceledi ve sonuçları beyin tümörü tespitini %33 oranında iyileştirebileceğini gösterdi.

Jason Martin, Intel Labs’ta baş mühendis.

“Federated öğrenme, özellikle sağlık hizmetleri alanında gösterilen我们的 araştırmayla birlikte, birçok alanda muazzam bir potansiyele sahip,” dedi Martin. “Hassas bilgileri ve verileri koruma yeteneği, gelecekteki çalışmalar ve işbirliği için kapıları açar, özellikle de verilerin otherwise erişilemez olacağı durumlarda. Penn Tıp ile yaptığımız çalışma, dünya çapındaki hastaları olumlu yönde etkileyebilir ve federated öğrenmenin vaadini keşfetmeye devam etmekten memnunuz.”

Veri Erişilebilirliği Sağlık Hizmetlerinde

Veri erişilebilirliği, sağlık hizmetlerinde önemli bir zorluktur. Devlet ve ulusal veri gizliliği yasaları, büyük ölçekli tıbbi araştırmaların ve verilerin hasta sağlığı bilgilerini tehlikeye atmadan yapılmasını zorlaştırır. Intel’in federated öğrenme donanımı ve yazılımları, veri gizliliği endişelerini giderir ve veri bütünlüğünü korur.

Ekipler, Intel federated öğrenme teknolojisi ve Intel Software Guard Extensions (SGX) ile birlikte büyük miktarda veriyi merkezileşmiş bir sistemde işledi. Sistem, ham verilerin veri sahiplerinin altyapısında kalmasını sağlar ve model güncellemelerinin yalnızca merkezi bir sunucuya veya toplayıcıya gönderilmesine izin verir. Veriler kendileri gönderilemez.

Rob Enderle, Enderle Group’ta baş analist.

“Dünyadaki tüm hesaplama gücünün, analiz edilecek yeterli verisi yoksa, çok az şey yapabileceğini” söyledi Enderle. “Zaten elde edilmiş olan verilerin analiz edilememesi, tıbbi alanda yapay zekanın vaat ettiği büyük atılımları önemli ölçüde geciktirdi. Bu federated öğrenme çalışması, yapay zekanın ilerlemesi ve en zorlu hastalıklarla mücadele etmenin en güçlü aracı olması için geçerli bir yol gösteriyor.”

Spyridon Bakas, Pennsylvania Üniversitesi Tıp Fakültesi’nde Patoloji ve Laboratuvar Tıbbı ve Radyoloji alanında yardımcı profesör.

“Bu çalışmada, federated öğrenme, çok kurumsal işbirliğini güvence altına almak ve literatürde şimdiye kadar düşünülen en büyük ve en çeşitli glioblastoma hasta verilerine erişim sağlamak için bir paradigma değişimi olarak ortaya çıkıyor,” dedi Bakas. “Makine öğrenimi modellerine vereceğimiz veri ne kadar çok olursa, o kadar doğru olur ve bu da nadir hastalıkların anlaşılması ve tedavisini iyileştirebilir.”

Araştırmacıların tedaviyi ilerletmek için büyük miktarda tıbbi veriye erişimi kritik önem taşıyor. Ancak bu miktar bir tesiste genellikle fazla oluyor. Yeni çalışma ile araştırmacılar, çoklu site veri depolarını federated öğrenmeyi ölçeklendirerek açığa çıkarmak için daha yakınlar. Bu ilerlemeler, hastalık tespitinin erken yapılması gibi birçok faydayı getirebilir.