Intel Laboratories e la Perelman School of Medicine dell’Università della Pennsylvania (Penn) hanno completato uno studio congiunto utilizzando l’apprendimento federato, un approccio distribuito di machine learning (ML) e intelligenza artificiale (AI), per aiutare le organizzazioni sanitarie e di ricerca globali a identificare il cervello maligno tumori. È il più grande studio di educazione medica federale fino ad oggi, che esamina un set di dati globale senza precedenti da 71 istituzioni in sei continenti. Partecipa anche il club olandese Erasmus MC di Rotterdam. Il progetto ha dimostrato di poter migliorare del 33% l’individuazione dei tumori cerebrali.
“L’apprendimento unificato ha un enorme potenziale in molti campi, in particolare nel settore sanitario, come dimostra la nostra ricerca con Penn Medicine. La capacità di proteggere informazioni e dati sensibili apre la porta a futuri studi e collaborazioni, soprattutto nei casi in cui i set di dati sono inaccessibili”, ha affermato. ha affermato Jason Martin, Senior Engineer, Intel Labs
Facilitare l’accesso ai dati
L’accessibilità dei dati è stata a lungo un problema nel settore sanitario a causa delle leggi nazionali sulla protezione dei dati, incluso il regolamento generale sulla protezione dei dati (GDPR). Ciò ha reso quasi impossibile condurre ricerche mediche e condividere ampiamente i dati senza compromettere le informazioni sulla salute dei pazienti. L’hardware e il software Intel Unified Learning soddisfano i requisiti di privacy dei dati e proteggono l’integrità, la privacy e la sicurezza dei dati con il computing riservato.
Il risultato Penn Medicine-Intel è stato ottenuto elaborando grandi quantità di dati in un sistema decentralizzato. Ciò è stato fatto utilizzando la tecnologia Intel Unified Learning in combinazione con Intel® Software Guard Extensions (SGX). Questa tecnologia rimuove le barriere alla condivisione dei dati che hanno ostacolato la collaborazione nella ricerca sul cancro e malattie simili. Il sistema risolve molti problemi di privacy dei dati mantenendo i dati grezzi all’interno della rete ospedaliera e consentendo solo l’invio di aggiornamenti del modello calcolati da tali dati a un server centrale o aggregatore, non i dati grezzi.
Il radiologo Prof. Dr. Smits e il ricercatore biomedico Dr. van der Voort di Erasmus MC: “Noi di Erasmus MC siamo stati in grado di contribuire al miglioramento del rilevamento automatico del tumore attraverso questo studio educativo standardizzato, senza la necessità di inviare i dati del paziente. ” L’oncologia è un passo importante per la personalizzazione e il monitoraggio del trattamento e per lo sviluppo di questa metodologia è necessario utilizzare i dati di molte istituzioni diverse.Grazie a questa collaborazione, siamo stati in grado di farlo facilmente, pur mantenendo il controllo sui nostri dati .”
ha affermato l’autore senior Spyridon Bakas, PhD, assistente professore di patologia, medicina di laboratorio e radiologia presso la Perelman School of Medicine dell’Università della Pennsylvania. “Più dati possiamo inserire nei modelli di apprendimento automatico, più accurati diventeranno. Questo, a sua volta, migliorerà la nostra capacità di comprendere e curare anche malattie rare, come il glioblastoma”.
Per migliorare il trattamento delle malattie, i ricercatori hanno bisogno di accedere a grandi quantità di dati medici, nella maggior parte dei casi set di dati che superano la soglia che una singola istituzione può produrre. La ricerca dimostra l’efficacia dell’apprendimento federato su larga scala e i potenziali benefici che l’assistenza sanitaria può apportare quando vengono aperti archivi di dati multi-sito. I vantaggi includono la diagnosi precoce della malattia, che può migliorare la qualità della vita o prolungare la vita di un paziente.
I risultati dello studio Penn Medicine-Intel Labs sono pubblicati sulla rivista peer-reviewed, Comunicazioni sulla natura.