英特尔、宾夕法尼亚大学医学院开展最大规模医疗联邦学习研究

英特尔实验室和宾夕法尼亚大学医学院（Penn Medicine）宣布了最大规模医疗联邦学习研究的结果。该联合研究使用机器学习（ML）和人工智能（AI）帮助国际医疗和研究机构识别恶性脑肿瘤。

该研究发表在 Nature Communications 上。

前所未有的研究

该研究涉及前所未有的来自六个大陆71个机构的数据集，其结果表明可以通过33%提高脑肿瘤的检测率。

Jason Martin 是英特尔实验室的首席工程师。

“联邦学习在各个领域，特别是在医疗保健领域，具有巨大的潜力，如我们的研究与宾夕法尼亚大学医学院所示，”马丁说。“其保护敏感信息和数据的能力为未来研究和合作开启了大门，特别是在数据集原本无法访问的情况下。我们的工作与宾夕法尼亚大学医学院有可能对全球患者产生积极影响，我们期待继续探索联邦学习的前景。”

医疗保健中的数据可访问性

数据可访问性是医疗保健中的一个重大挑战，国家和地区的数据隐私法使得在不损害患者健康信息的情况下进行大规模的医疗研究和数据分析变得困难。由于英特尔的保密计算，英特尔的联邦学习硬件和软件符合数据隐私问题并保留数据完整性。

团队使用英特尔联邦学习技术和英特尔软件防护扩展（SGX）处理了大量数据，这有助于消除数据共享的障碍。该系统还通过保持原始数据在数据持有者的计算基础设施内来解决隐私问题。从数据计算出的模型更新只能发送到中央服务器或聚合器。数据本身不能被发送。

Rob Enderle 是 Enderle Group 的首席分析师。

“世界上所有的计算能力都无法分析足够的数据，”Enderle 说。“无法分析已经捕获的数据这一点已经显著地延迟了人工智能所承诺的重大医疗突破。这个联邦学习研究展示了一条人工智能可以发展和实现其潜力的可行路径，这是对抗我们最困难的疾病的最有力的工具。”

Spyridon Bakas，博士，是宾夕法尼亚大学医学院病理学和实验室医学以及放射学的助理教授。

“在这项研究中，联邦学习展示了其作为一种多机构合作的范式转变的潜力，通过使我们能够访问到文献中考虑的最大的和最多样化的脑胶质母细胞瘤患者数据集，同时所有数据都保留在每个机构内，”Bakas 说。“我们可以将越多的数据输入到机器学习模型中，它们就会变得越准确，这反过来可以提高我们理解和治疗甚至罕见疾病（如脑胶质母细胞瘤）的能力。”

对于研究人员来说，获取大量的医疗数据以推进治疗至关重要。但是，这些数据通常对于一个设施来说太多了。通过这项新研究，研究人员更接近于解锁多站点数据仓库以推进大规模的联邦学习。这可能会带来许多好处，例如疾病的早期检测。