Новый метод машинного обучения позволяет больницам обмениваться данными пациентов в частном порядке

ФИЛАДЕЛЬФИЯ. 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, преподавателя радиологии, патологии и лабораторной медицины в Медицинской школе Перельмана в Пенсильванский университет.

Федеративное обучение – подход, впервые реализованный Google для функции автокоррекции клавиатур, – 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 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 является 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».

Модель федеративного 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 эта модель будет коммерциализирована, это поможет радиологам, онкологам-радиологам и нейрохирургам принимать важные решения в отношении 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 его 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 . BraTS в настоящее время 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.

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