Единое обучение помогает лучше выявлять опухоли головного мозга

В 2020 году Intel и Penn Medicine объявили о соглашении о сотрудничестве и использовании федеративного обучения для улучшения обнаружения опухолей и улучшения результатов лечения редкого вида рака — глиобластомы (GBM). Это самая распространенная и самая смертоносная опухоль головного мозга у взрослых, при которой средняя выживаемость после стандартного лечения составляет всего 14 месяцев.

Хотя за последние 20 лет возможности лечения расширились, общая выживаемость не улучшилась. Исследование финансировалось Программой информатики исследований рака Национального института рака Национальных институтов здравоохранения.

Доступ к медицинским данным

Чтобы улучшить лечение болезней, исследователям нужен доступ к большому количеству медицинских данных — в большинстве случаев к наборам данных, которые превышают порог, который может предоставить одно учреждение. Исследование демонстрирует эффективность крупномасштабного федеративного обучения и потенциальные преимущества, которые здравоохранение может принести, когда открыты многосайтовые хранилища данных. Преимущества включают раннее обнаружение заболевания, которое может улучшить качество жизни или продлить жизнь пациента.

Однако доступность данных уже давно является проблемой в здравоохранении из-за национальных законов о защите данных, таких как Общий регламент по защите данных (GDPR) в Нидерландах. Это сделало практически невозможным проведение медицинских исследований и широкое распространение данных без ущерба для информации о здоровье пациентов. Заявлено, что аппаратное и программное обеспечение Intel Unified Learning соответствует требованиям к конфиденциальности данных и защищает целостность данных, конфиденциальность и безопасность посредством конфиденциальных вычислений.

потенциальное федеральное обучение

«Объединенное обучение имеет огромный потенциал во многих областях, особенно в здравоохранении, как показали наши исследования с Penn Medicine, — сказал Джейсон Мартин, главный инженер Intel Labs. — Способность защищать конфиденциальную информацию и данные открывает двери для будущих исследований и сотрудничества, особенно в тех случаях, когда наборы данных недоступны. Наша работа с Penn Medicine может оказать положительное влияние на пациентов во всем мире, и мы с нетерпением ждем возможности изучить более стандартизированные учебные мероприятия».

Результат Penn Medicine-Intel был достигнут за счет обработки больших объемов данных в децентрализованной системе. Это было сделано с помощью технологии Intel Unified Learning Technology в сочетании с Intel Software Guard Extensions (SGX). Эта технология устраняет барьеры для обмена данными, которые стояли на пути сотрудничества в исследованиях рака и подобных заболеваний. Система решает многие проблемы с конфиденциальностью данных, сохраняя необработанные данные в своей больничной сети и позволяя отправлять на центральный сервер или сервер-агрегатор только обновления модели, рассчитанные на основе этих данных, а не необработанные данные.

Контроль данных

Эразмус МС Работает с 2020 года учиться. Рентгенолог профессор доктор Смитс и биомедицинский исследователь доктор ван дер Вуорт из Erasmus MC утверждают, что исследование объединенного обучения позволило UMC внести свой вклад в улучшение автоматического обнаружения опухолей без необходимости передачи данных пациентов. «Автоматическое обнаружение опухолей является важным шагом в персонализации и мониторинге лечения, и для разработки этой методологии необходимо использовать данные из многих различных учреждений. Благодаря этому сотрудничеству мы смогли сделать это легко, сохранив при этом контроль над нашими данными. ”

Ведущий автор Спиридон Бакас, доцент кафедры патологии, лабораторной медицины и радиологии Медицинской школы Перельмана Пенсильванского университета, говорит, что федеративное обучение предлагает прорыв в обеспечении безопасного сотрудничества между несколькими учреждениями. «Это дает доступ к самому большому и разнообразному набору данных, который когда-либо встречался в литературе. И это при том, что все данные постоянно хранятся внутри каждой организации. Чем больше данных мы можем передать в модели машинного обучения, тем точнее они становятся. . Это, в свою очередь, улучшит нашу способность понимать и лечить даже редкие заболевания, такие как глиобластома».

Результаты исследования Penn Medicine-Intel Labs были опубликованы В рецензируемом журнале Nature Communications.