مرکز پزشکی اراسموس در روتردام هلند، طی پژوهشی مشترک با آزمایشگاه‌های اینتل و دانشکده پزشکی پرلمن در دانشگاه پنسیلوانیا آمریکا، راهی برای تشخیص تومورهای بدخیم مغزی در مراحل اولیه پیدا کرده‌اند.
محققان برای این کار از تکنیک جدیدی به نام “یادگیری فدرال” استفاده کردند. این یک روش یادگیری ماشینی (ML) با هوش مصنوعی (AI) است. این سازمان ها در بیانیه مطبوعاتی اعلام کردند که این پروژه نشان داد که می توان تشخیص تومور مغزی را تا یک سوم بهبود بخشید.
این بزرگترین مطالعه یادگیری فدرال پزشکی تا به امروز است که مجموعه داده های جهانی بی سابقه ای را از ۷۱ موسسه در شش قاره بررسی می کند.
جیسون مارتین، مهندس ارشد آزمایشگاه اینتل گفت: «یادگیری فدرال پتانسیل فوق العاده ای در بسیاری از زمینه ها، به ویژه مراقبت های بهداشتی دارد. توانایی محافظت از اطلاعات و داده‌های حساس، دری را برای مطالعات و همکاری‌های آتی باز می‌کند، به‌ویژه در مواردی که در غیر این صورت مجموعه داده‌ها غیرقابل دسترس هستند.»
دسترسی به داده‌ها به دلیل قوانین ملی حفاظت از داده‌ها، از جمله مقررات عمومی حفاظت از داده‌ها (GDPR) مدت‌هاست که موضوعی در مراقبت‌های بهداشتی بوده است. این امر انجام تحقیقات پزشکی و تبادل داده ها در مقیاس بزرگ را بدون به خطر انداختن حریم خصوصی بیمار تقریباً غیرممکن می کرد. سخت افزار و نرم افزار یادگیری فدرال اینتل الزامات حریم خصوصی داده ها را برآورده می کند و از یکپارچگی، حریم خصوصی و امنیت داده ها از طریق محاسبات محرمانه محافظت می کند.
نتایج پژوهش‌ها با پردازش مقادیر زیادی داده در یک سیستم غیرمتمرکز به دست آمد. این کار با استفاده از فناوری یادگیری فدرال اینتل همراه با نرم افزار Software Guard Extensions (SGX) انجام شد. این سیستم با حفظ داده‌های خام موجود در شبکه خود بیمارستان اجازه می‌دهد که به‌روزرسانی‌های مدلی که بر اساس آن داده‌ها محاسبه می‌شوند، به سرور مرکزی (یا جمع‌کننده) ارسال شوند.
پروفسور اسمیت، رادیولوژیست و محقق زیست پزشکی از اراسموس گفت: «ا ما قادر به کمک به بهبود تشخیص خودکار تومور از طریق این مطالعه یادگیری فدرال، بدون ارسال اطلاعات بیمار بودیم.تشخیص خودکار تومور گام مهمی برای شخصی سازی و نظارت بر درمان است و برای توسعه این روش استفاده از داده های بسیاری از موسسات مختلف ضروری است. با این همکاری، ما توانستیم این کار را به راحتی انجام دهیم، در حالی که کنترل روی داده های خود را حفظ کردیم.»
نتایج این مطالعه در مجله Nature Communications منتشر شده است.
محققان برای این کار از تکنیک جدیدی به نام “یادگیری فدرال” استفاده کردند. این یک روش یادگیری ماشینی (ML) با هوش مصنوعی (AI) است. این سازمان ها در بیانیه مطبوعاتی اعلام کردند که این پروژه نشان داد که می توان تشخیص تومور مغزی را تا یک سوم بهبود بخشید.
این بزرگترین مطالعه یادگیری فدرال پزشکی تا به امروز است که مجموعه داده های جهانی بی سابقه ای را از ۷۱ موسسه در شش قاره بررسی می کند.
جیسون مارتین، مهندس ارشد آزمایشگاه اینتل گفت: «یادگیری فدرال پتانسیل فوق العاده ای در بسیاری از زمینه ها، به ویژه مراقبت های بهداشتی دارد. توانایی محافظت از اطلاعات و داده‌های حساس، دری را برای مطالعات و همکاری‌های آتی باز می‌کند، به‌ویژه در مواردی که در غیر این صورت مجموعه داده‌ها غیرقابل دسترس هستند.»
دسترسی به داده‌ها به دلیل قوانین ملی حفاظت از داده‌ها، از جمله مقررات عمومی حفاظت از داده‌ها (GDPR) مدت‌هاست که موضوعی در مراقبت‌های بهداشتی بوده است. این امر انجام تحقیقات پزشکی و تبادل داده ها در مقیاس بزرگ را بدون به خطر انداختن حریم خصوصی بیمار تقریباً غیرممکن می کرد. سخت افزار و نرم افزار یادگیری فدرال اینتل الزامات حریم خصوصی داده ها را برآورده می کند و از یکپارچگی، حریم خصوصی و امنیت داده ها از طریق محاسبات محرمانه محافظت می کند.
نتایج پژوهش‌ها با پردازش مقادیر زیادی داده در یک سیستم غیرمتمرکز به دست آمد. این کار با استفاده از فناوری یادگیری فدرال اینتل همراه با نرم افزار Software Guard Extensions (SGX) انجام شد. این سیستم با حفظ داده‌های خام موجود در شبکه خود بیمارستان اجازه می‌دهد که به‌روزرسانی‌های مدلی که بر اساس آن داده‌ها محاسبه می‌شوند، به سرور مرکزی (یا جمع‌کننده) ارسال شوند.
پروفسور اسمیت، رادیولوژیست و محقق زیست پزشکی از اراسموس گفت: «ا ما قادر به کمک به بهبود تشخیص خودکار تومور از طریق این مطالعه یادگیری فدرال، بدون ارسال اطلاعات بیمار بودیم.تشخیص خودکار تومور گام مهمی برای شخصی سازی و نظارت بر درمان است و برای توسعه این روش استفاده از داده های بسیاری از موسسات مختلف ضروری است. با این همکاری، ما توانستیم این کار را به راحتی انجام دهیم، در حالی که کنترل روی داده های خود را حفظ کردیم.»
نتایج این مطالعه در مجله Nature Communications منتشر شده است.
کد خبر ۲۰۱۰۱۰۹۲۱.۵۹۱
