Intel та Penn Medicine провели найбільше медичне дослідження з федеративним навчанням

Intel (INTC ) Labs та Перельманська медична школа Університету Пенсільванії (Penn Medicine) оголосили результати найбільшого медичного дослідження з федеративним навчанням. Спільне дослідження використовувало машинне навчання (ML) та штучний інтелект (AI) для того, щоб допомогти міжнародним закладам охорони здоров’я та дослідницьким інституціям ідентифікувати злоякісні пухлини мозку.

Дослідження було опубліковано в Nature Communications.

Безпрецедентне дослідження

Дослідження включало безпрецедентний набір даних, розглянутий 71 установою з шести континентів, і його результати продемонстрували можливість покращення виявлення пухлин мозку на 33%.

Джейсон Мартін є головним інженером в Intel Labs.

«Федеративне навчання має величезний потенціал у багатьох галузях, особливо в галузі охорони здоров’я, як показало наше дослідження з Penn Medicine», — сказав Мартін. «Його здатність захищати конфіденційну інформацію та дані відкриває двері для майбутніх досліджень та співробітництва, особливо в тих випадках, коли набори даних інакше були б недоступні. Наша робота з Penn Medicine має потенціал позитивно вплинути на пацієнтів по всьому світу, і ми сподіваємося продовжувати досліджувати обіцянки федеративного навчання».

Доступність даних у сфері охорони здоров’я

Доступність даних є великою проблемою у сфері охорони здоров’я, оскільки державні та національні закони про захист даних роблять складним проведення медичних досліджень та обробку даних у великих масштабах без компрометації інформації про здоров’я пацієнтів. Завдяки конфіденційному обчислюванню апаратне та програмне забезпечення Intel для федеративного навчання відповідають проблемам захисту даних та зберігають цілісність даних.

Команди обробили великі об’єми даних у децентралізованій системі за допомогою технології федеративного навчання Intel та Intel Software Guard Extensions (SGX), які допомагають усунути бар’єри обміну даними. Система також вирішує питання конфіденційності, зберігаючи сирі дані всередині інфраструктури обробки даних володільців. Оновлення моделей, розрахованих на основі даних, можуть бути надіслані лише на центральний сервер або агрегатор. Самі дані не можуть бути надіслані.

Роб Ендерле є головним аналітиком у Enderle Group.

«Усі обчислювальні потужності світу не можуть зробити нічого без достатньої кількості даних для аналізу», — сказав Ендерле. «Нездатність аналізувати дані, які вже були захоплені, значно затримала величезні медичні прориви, які обіцяє AI. Це дослідження федеративного навчання демонструє життєздатний шлях для AI, щоб просунутися та досягти свого потенціалу як найбільш потужного інструменту для боротьби з нашими найбільш складними захворюваннями».

Спірідон Бакас, PhD, є асистентом професора патології та лабораторної медицини та радіології в Перельманській медичній школі Університету Пенсільванії.

«У цьому дослідженні федеративне навчання демонструє свій потенціал як парадигматичний зсув у забезпеченні багатoinституційних співробітництв, забезпечуючи доступ до найбільшої та найрізноманітнішої бази даних пацієнтів з гліобластомою, яку коли-небудь розглядали в літературі, при цьому всі дані зберігаються всередині кожної установи в будь-який час», — сказав Бакас. «Чим більше даних ми можемо надати машинним моделям навчання, тим більш точними вони стають, що, в свою чергу, може покращити нашу здатність зрозуміти та лікувати навіть рідкісні захворювання, такі як гліобластома».

Дослідникам необхідний доступ до великих обсягів медичних даних для вдосконалення лікування. Але цей обсяг даних зазвичай занадто великий для однієї установи. З новим дослідженням дослідники наближаються до розблокування багатосайтових сховищ даних для просування федеративного навчання у великих масштабах. Ці досягнення можуть принести багато користі, наприклад, раннє виявлення захворювань.