Intel Labs y la Escuela de Medicina Perelman de la Universidad de Pensilvania (Penn Medicine) han anunciado los resultados del mayor estudio médico federado de aprendizaje. El estudio de investigación conjunto utilizó el aprendizaje automático (ML) y la inteligencia artificial (AI) para ayudar a las instituciones internacionales de atención médica e investigación a identificar tumores cerebrales malignos.
La investigación fue publicada en Comunicaciones de la naturaleza.
Un estudio sin precedentes
El estudio involucró un conjunto de datos sin precedentes examinado de 71 instituciones repartidas en seis continentes, y sus resultados demostraron la capacidad de mejorar la detección de tumores cerebrales en un 33 %.
Jason Martin es ingeniero principal en Intel Labs.
“El aprendizaje federado tiene un tremendo potencial en numerosos dominios, particularmente dentro de la atención médica, como lo demuestra nuestra investigación con Penn Medicine”, dijo Martin. “Su capacidad para proteger información y datos confidenciales abre la puerta a futuros estudios y colaboraciones, especialmente en casos en los que los conjuntos de datos serían inaccesibles de otro modo. Nuestro trabajo con Penn Medicine tiene el potencial de impactar positivamente a los pacientes de todo el mundo y esperamos continuar explorando la promesa del aprendizaje federado”.
Accesibilidad de datos en el cuidado de la salud
La accesibilidad de los datos es un desafío importante en el cuidado de la salud, con leyes de privacidad de datos estatales y nacionales que dificultan la realización de investigaciones médicas y datos a gran escala sin comprometer la información de salud del paciente. Gracias a la computación confidencial, el hardware y el software de aprendizaje federado de Intel cumplen con las preocupaciones de privacidad de datos y preservan la integridad de los datos.
Los equipos procesaron grandes volúmenes de datos en un sistema descentralizado utilizando la tecnología de aprendizaje federado de Intel junto con Intel Software Guard Extensions (SGX), que ayudan a eliminar las barreras para compartir datos. El sistema también aborda los problemas de privacidad al mantener los datos sin procesar dentro de la infraestructura informática de los titulares de los datos. Las actualizaciones del modelo calculadas a partir de los datos solo se pueden enviar a un servidor central o agregador. Los datos en sí no se pueden enviar.
Rob Enderle es analista principal de Enderle Group.
“Toda la potencia informática del mundo no puede hacer mucho sin suficientes datos para analizar”, dijo Enderle. “Esta incapacidad para analizar los datos que ya han sido capturados ha retrasado significativamente los avances médicos masivos que la IA ha prometido. Este estudio de aprendizaje federado muestra un camino viable para que la IA avance y alcance su potencial como la herramienta más poderosa para combatir nuestras dolencias más difíciles”.
Spyridon Bakas, PhD, es profesor asistente de Patología y Medicina de Laboratorio, y Radiología, en la Facultad de Medicina Perelman de la Universidad de Pensilvania.
“En este estudio, el aprendizaje federado muestra su potencial como un cambio de paradigma para asegurar colaboraciones multiinstitucionales al permitir el acceso al conjunto de datos más grande y diverso de pacientes con glioblastoma jamás considerado en la literatura, mientras que todos los datos se conservan dentro de cada institución en todo momento. ”, dijo Bakas. “Cuantos más datos podamos introducir en los modelos de aprendizaje automático, más precisos se vuelven, lo que a su vez puede mejorar nuestra capacidad para comprender y tratar incluso enfermedades raras, como el glioblastoma”.
Es fundamental que los investigadores tengan acceso a grandes cantidades de datos médicos para avanzar en los tratamientos. Pero esta cantidad de datos suele ser demasiado para una sola instalación. Con el nuevo estudio, los investigadores están más cerca de desbloquear silos de datos multisitio para avanzar en el aprendizaje federado a escala. Estos avances podrían generar muchos beneficios, como la detección temprana de enfermedades.