Новый метод машинного обучения позволяет больницам обмениваться данными о пациентах в частном порядке.

Чтобы ответить на медицинские вопросы, которые могут быть применены к широкому кругу пациентов, модели машинного обучения опираются на большие и разнообразные наборы данных из различных учреждений. Однако системы здравоохранения и больницы часто сопротивляются обмену данными о пациентах из-за юридических, конфиденциальных и культурных проблем.

Новая методика, называемая федеративным обучением, является решением этой дилеммы, согласно исследованию, опубликованному во вторник в журнале Scientific Reports под руководством старшего автора Спиридона Бакаса, доктора философии, инструктора радиологии, патологии и лабораторной медицины в школе Перельмана. медицины в Университете Пенсильвании.

Федеративное обучение – подход, впервые реализованный Google для функции автозамены клавиатуры, – обучает алгоритм на нескольких децентрализованных устройствах или серверах, содержащих локальные образцы данных, без обмена ими. Хотя этот подход потенциально может быть использован для ответа на множество различных медицинских вопросов, исследователи Penn Medicine показали, что федеративное обучение является успешным именно в контексте визуализации головного мозга, поскольку они могут анализировать снимки магнитно-резонансной томографии (МРТ) пациентов с опухолью головного мозга и различать здоровая ткань головного мозга из раковых областей.

Например, модель, обученную в Penn Medicine, можно распространить в больницах по всему миру. Затем врачи могут тренироваться на основе этой общей модели, вводя собственные снимки мозга пациента. Затем их новая модель будет перенесена на централизованный сервер. В конечном итоге модели будут согласованы в модель консенсуса, в которой были получены знания от каждой из больниц, и поэтому она будет клинически полезной.

«Чем больше данных видит вычислительная модель, тем лучше она изучает проблему и тем лучше может ответить на вопрос, для ответа на который была разработана», – сказал Бакас. «Традиционно машинное обучение использовало данные из одного учреждения, а затем стало очевидно, что эти модели не работают или хорошо обобщают данные из других учреждений».

Федеративная модель обучения должна быть проверена и одобрена Управлением по контролю за продуктами и лекарствами США, прежде чем она может быть лицензирована и коммерциализирована в качестве клинического инструмента для врачей. Но если и когда модель будет коммерциализирована, это поможет радиологам, онкологам-радиологам и нейрохирургам принимать важные решения относительно ухода за пациентами, сказал Бакас. По данным Американской ассоциации опухолей головного мозга, в этом году почти у 80 000 человек будет диагностирована опухоль головного мозга.

«Исследования показали, что когда дело доходит до границ опухоли, не только разные врачи могут иметь разные мнения, но и один и тот же врач, оценивая одно и то же сканирование, может видеть различное определение границ опухоли в один день недели по сравнению с другим», – сказал он. «Искусственный интеллект позволяет врачу иметь более точную информацию о том, где заканчивается опухоль, что напрямую влияет на лечение пациента и прогноз».

Чтобы проверить эффективность федеративного обучения и сравнить ее с другими методами машинного обучения, Бакас сотрудничал с исследователями из Онкологического центра им. М.Д. Андерсона Техасского университета, Вашингтонского университета и Онкологического центра Хиллмана при Университете Питтсбурга, а корпорация Intel внесла вклад в обеспечение конфиденциальности. защита программного обеспечения для проекта.

Исследование началось с модели, которая была предварительно обучена на данных из нескольких учреждений из репозитория с открытым исходным кодом, известного как международная сегментация опухоли головного мозга или BraTS. В настоящее время BraTS предоставляет набор данных, который включает более 2600 снимков мозга, полученных с помощью магнитно-резонансной томографии (МРТ) у 660 пациентов. Затем 10 больниц приняли участие в исследовании, обучив модели искусственного интеллекта их собственным данным пациентов . Затем метод федеративного обучения использовался для агрегирования данных и создания модели консенсуса.

Исследователи сравнили федеративное обучение с моделями, подготовленными отдельными учреждениями, а также с другими подходами к совместному обучению. Эффективность каждого метода измерялась путем сравнения их со сканированными изображениями, аннотированными вручную неврологами. По сравнению с моделью, обученной с использованием централизованных данных, которые не защищали конфиденциальность пациентов, федеративное обучение могло работать почти (99 процентов) идентично. Полученные данные также показали, что расширение доступа к данным за счет частного сотрудничества между несколькими учреждениями может улучшить производительность модели.

Результаты этого исследования проложили путь к гораздо более широкому и амбициозному сотрудничеству между Penn Medicine, Intel и 30 партнерскими учреждениями при поддержке гранта в 1,2 миллиона долларов от Национального института рака при Национальных институтах здравоохранения, который ранее был предоставлен Бакасу. этот год. В мае Intel объявила, что Бакас возглавит проект, в котором 30 учреждений в девяти странах будут использовать подход федеративного обучения для обучения согласованной модели искусственного интеллекта на данных об опухолях мозга. Конечной целью проекта будет создание инструмента с открытым исходным кодом, который сможет использовать любой врач в любой больнице. Разработкой инструмента в Центре биомедицинских вычислений и аналитики изображений Пенсильвании (CBICA) руководит старший разработчик программного обеспечения Сартак Пати, MS.

Соавтор исследования Ривка Колен, доктор медицинских наук, доцент кафедры радиологии Медицинской школы Университета Питтсбурга, сказала, что эта статья и более крупный проект федеративного обучения открывают возможности для еще большего использования искусственного интеллекта в здравоохранении.

«Я думаю, что это меняет правила игры», – сказал Колен. «Радиология – это то же самое, что геномика для патологии. ИИ произведет революцию в этой области, потому что прямо сейчас, как радиолог, большая часть того, что мы делаем, носит описательный характер. Благодаря глубокому обучению мы можем извлекать информацию, которая скрыта в этом слой оцифрованных изображений “.

услуги нутрициологаАвтор сайта и статей: Наталья Степанова, нутрициолог-психолог, консультант по питанию и коррекции веса. Подробнее обо мне

Я в соц. сетях: Vk, Instagram.

Рейтинг
Еще статьи нутрициолога:
Adblock
detector