Intel i Penn Medicine ogłaszają wyniki badania wykorzystującego uczenie federacyjne

Intel Labs i Perelman School of Medicine na Uniwersytecie Pensylwanii (Penn Medicine) zakończyły wspólne badanie wykorzystujące uczenie federacyjne, czyli rozproszone podejście do uczenia maszynowego (ML – machine learning). Chodzi o pomoc międzynarodowym instytucjom badawczym i zakładom opieki zdrowotnej w identyfikacji złośliwych guzów mózgu. W badaniu pracowano z globalnym zbiorem danych z 71 instytucji na sześciu kontynentach – projekt wykazał zdolność do poprawy wykrywania guzów mózgu o 33%.

Jak pokazują nasze wspólne badania z Penn Medicine, uczenie federacyjne ma ogromny potencjał w wielu dziedzinach, szczególnie w służbie zdrowia. Jego zdolność do ochrony wrażliwych informacji i danych otwiera drzwi dla przyszłych badań i współpracy, zwłaszcza w przypadkach, gdy zbiory danych byłyby w przeciwnym razie niedostępne. Nasza praca z Penn Medicine może potencjalnie pozytywnie wpłynąć na pacjentów na całym świecie i z niecierpliwością czekamy na dalsze odkrywanie obietnicy uczenia się federacyjnego – Jason Martin, główny inżynier, Intel Labs

Dostępność danych od dawna stanowi problem w opiece zdrowotnej, a jest tak ze względu na stanowe i krajowe przepisy dotyczące prywatności danych, w tym Health Insurance Portability and Accountability Act (HIPAA). Z tego powodu, badania medyczne i udostępnianie danych na dużą skalę były prawie niemożliwe do osiągnięcia bez narażania na ujawnienie informacji o zdrowiu pacjenta. Sprzęt i oprogramowanie firmy Intel do federacyjnego uczenia się odpowiadają na obawy dotyczące prywatności danych i zachowują ich integralność, prywatność oraz bezpieczeństwo dzięki poufnemu przetwarzaniu.

Wynik osiągnięto dzięki przetwarzaniu dużych ilości danych w zdecentralizowanym systemie wykorzystującym technologię federacyjnego uczenia się Intela sparowaną z Intel Software Guard Extensions (SGX), która usuwa bariery w udostępnianiu danych uniemożliwiające współpracę przy podobnych badaniach nad rakiem i innymi chorobami. System rozwiązuje liczne problemy związane z prywatnością danych, utrzymując surowe dane wewnątrz infrastruktury obliczeniowej ich posiadaczy, pozwalając jedynie na wysyłanie do centralnego serwera lub agregatora aktualizacji modeli obliczonych na podstawie tych informacji.

Cała moc obliczeniowa na świecie nie może zrobić wiele bez wystarczającej ilości danych do analizy. Ta niezdolność do analizowania danych, które zostały już zebrane, znacznie opóźniła ogromne przełomy w medycynie, które miała przynieść SI (sztuczna inteligencja). To badanie federacyjnego uczenia się pokazuje realną ścieżkę postępu SI i osiągnięcia jej potencjału jako najpotężniejszego narzędzia do walki z naszymi najpoważniejszymi dolegliwościami – mówi Rob Enderle, główny analityk, Enderle Group.

W tym badaniu, uczenie federacyjne pokazuje swój potencjał jako zmiana paradygmatu w zabezpieczaniu współpracy między wieloma instytucjami poprzez umożliwienie dostępu do największego i najbardziej zróżnicowanego zbioru danych pacjentów z glejakiem, jaki kiedykolwiek był rozważany w literaturze, podczas gdy wszystkie dane są przechowywane w każdej z tych instytucji przez cały czas. Im więcej danych możemy wprowadzić do modeli uczenia maszynowego, tym dokładniejsze się one stają, co z kolei może poprawić naszą zdolność do zrozumienia i leczenia nawet rzadkich chorób, takich jak glejak – mówi dr Spyridon Bakas, asystent profesora patologii i medycyny laboratoryjnej oraz radiologii w Perelman School of Medicine.

Aby przyspieszyć badania i leczenie chorób, naukowcy muszą uzyskać dostęp do dużych ilości danych medycznych – w większości przypadków, zbiorów danych, które przekraczają próg, jaki może wytworzyć jeden ośrodek. Badania pokazują skuteczność federacyjnego uczenia SI w skali i potencjalne korzyści, jakie branża opieki zdrowotnej może osiągnąć po odblokowaniu danych zebranych przez różne instytucje. Aktualne korzyści to głownie wczesne wykrywanie chorób, co może poprawić jakość życia lub wydłużyć czas życia pacjentów.

Badania Penn Medicine-Intel Labs komentują lekarze z całego świata:

Michael Vogelbaum, MD, PhD, szef neurochirurgii w Moffitt Cancer Center:

Opracowanie automatycznych algorytmów identyfikacji granic guzów w mózgu przyniesie korzystny wpływ zarówno na opiekę kliniczną, jak i badania naukowe. Obrazowanie MRI stało się podstawowym sposobem oceny stanu choroby w przypadku pierwotnych i przerzutowych guzów mózgu, dlatego szybkie, dokładne i zwalidowane metody segmentacji guzów zapewnią klinicystom i badaczom bardziej wiarygodne i ilościowe oceny guza i odpowiedzi na terapię – Michael Vogelbaum, MD, PhD, Chief of Neurosurgery, Moffitt Cancer Center

Sztuczna inteligencja może zapobiec tysiącom zgonów z powodu sepsy

Raymond Huang, MD, PhD, szef oddziału neuroradiologii w Brigham and Women’s Hospital oraz profesor nadzwyczajny radiologii w Harvard Medical School:

Jak widać po sukcesie tego pilotażowego badania federacyjnego uczenia się, ta inicjatywa znacznie zwiększy zdolność do międzynarodowej współpracy poprzez zapewnienie platformy dla grup roboczych Response Assessment in Neuro Oncology (RANO) do agregacji wiedzy z danych wielu instytucji w celu rozwiązania trudnych problemów i opracowania generalizowalnych biomarkerów do oceny guzów ośrodkowego układu nerwowego.

Wyniki badań Penn Medicine-Intel Labs zostały opublikowane w recenzowanym czasopiśmie Nature Communications.