Penn Medicine i Intel opracowują nowe podejście AI do wykrywania guzów mózgu

12-05-2020 / Rafał Pikuła
Shutterstock

Technika zwana uczeniem federacyjnym, ma na celu umożliwienie współpracy między odległymi organizacjami badawczymi w zakresie modeli uczenia maszynowego, przy jednoczesnej ochronie prywatności pacjentów.

Technika zwana uczeniem federacyjnym, ma na celu umożliwienie współpracy między odległymi organizacjami badawczymi w zakresie modeli uczenia maszynowego, przy jednoczesnej ochronie prywatności pacjentów.

Perelman School of Medicine na University of Pennsylvania współpracuje z Intelem w celu opracowania nowej techniki rozproszonego uczenia maszynowego. Nowa metoda ma pozwolić badaczom z różnych organizacji na całym świecie współpracować w celu opracowania nowych inicjatyw głębokiego uczenia się bez konieczności udostępniania danych.

Takie podejście, które ma na celu znaczne postępy we wspólnych badaniach nad AI przy jednoczesnym zachowaniu prywatności pacjentów, nazywa się uczeniem federacyjnym. Naukowcy z Penn Medicine opublikowali ustalenia, że ​​podejście AI oparte na uczeniu się federacji może wyszkolić model do ponad 99% dokładności modelu wyszkolonego w tradycyjnej, nieprywatnej metodzie.

Perelman School of Medicine na University of Pennsylvania współpracuje z 29 instytucjami badawczymi z USA, a także z Kanady, Wielkiej Brytanii, Niemiec, Holandii, Szwajcarii i Indii. Głównym partnerem i zarazem dostawcą technologii jest Intel, który wdraża podejście oparte na uczeniu federalnym w celu opracowania nowych modeli głębokiego uczenia się w celu identyfikacji guzów mózgu.

Aby wytrenować i zbudować model wykrywania guza mózgu, który mógłby pomóc we wczesnym wykryciu i lepszych wynikach, badacze potrzebują dostępu do dużej ilości odpowiednich danych medycznych. Korzystając z federacyjnego uczenia się, będą mogli współpracować nad budowaniem i szkoleniem algorytmu wykrywania guza mózgu, chroniąc jednocześnie wrażliwe dane medyczne. Penn Medicine i Intel twierdzą, że badania zostaną przeprowadzone na największym jak dotąd zbiorze danych dotyczących guza mózgu, bez identyfikowalnych danych pacjentów pozostawiających poszczególnych współpracowników.

To nie pierwszy raz, gdy sztuczna inteligencja i uczenie maszynowe sprawdzają się w dziedzinie obrazowania medycznego. Na przykład w kwietniu badanie na temat przesiewowej retinopatii cukrzycowej wzmocnionej AI wykazało, że takie programy są tańsze niż typowa, tradycyjna klasyfikacja u ludzi.

Inicjatywa Penn Medicine i Intel jest finansowana z trzyletniej dotacji w wysokości 1,2 miliona USD z programu Informatics Technology for Cancer Research Narodowego Instytutu Zdrowia. Niektóre ze współpracujących instytucji planujących udział w pierwszej fazie tej federacji to Szpital Uniwersytetu Pensylwanii, Washington University w St. Louis, University of Pittsburgh Medical Center, Vanderbilt University, Queen’s University, Technical University of Munich, University Bern, King’s College London i Tata Memorial Hospital.

„Nasza społeczność naukowa powszechnie przyjmuje, że szkolenie w zakresie uczenia maszynowego wymaga obszernych i różnorodnych danych, których nie może pomieścić żadna instytucja” – powiedział dr Spyridon Bakas z Penn’s Center for Biomedical Image Computing and Analytics i główny badacz tego projektu .

„Sztuczna inteligencja stanowi wielką szansę na wczesne wykrycie guzów mózgu, ale będzie wymagała więcej danych niż jakikolwiek pojedynczy ośrodek medyczny, aby osiągnąć swój pełny potencjał. Korzystając z oprogramowania i sprzętu Intel oraz wsparcia niektórych z najbystrzejszych umysłów Intel Labs, współpracujemy z University of Pennsylvania i federacją 29 współpracujących ośrodków medycznych, aby przyspieszyć identyfikację guzów mózgu, jednocześnie chroniąc wrażliwe dane pacjentów” – dodał Jason Martin, główny inżynier w Intel Labs.

Źródło: HealthcareITNews

Wydarzenia

« Grudzień 2022 » loading...
PWŚCPSN
28
29
30
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
1