Para responder preguntas médicas que se pueden aplicar a una amplia población de pacientes, los modelos de aprendizaje automático se basan en conjuntos de datos grandes y diversos de una variedad de instituciones. Sin embargo, los sistemas de salud y los hospitales a menudo se resisten a compartir datos de pacientes debido a la privacidad legaly desafíos culturales.
Una técnica emergente llamada aprendizaje federado es una solución a este dilema, según un estudio publicado el martes en la revista Informes científicos , dirigido por el autor principal Spyridon Bakas, PhD, instructor de Radiología y Patología y Medicina de Laboratorio en la Escuela de Medicina Perelman de la Universidad de Pensilvania.
El aprendizaje federado, un enfoque implementado por primera vez por Google para la funcionalidad de autocorrección de los teclados, entrena un algoritmo en varios dispositivos o servidores descentralizados que contienen muestras de datos locales, sin intercambiarlos. Si bien el enfoque podría usarse para responder a muchas preguntas médicas diferentes, Los investigadores de Penn Medicine han demostrado que el aprendizaje federado tiene éxito específicamente en el contexto de las imágenes cerebrales, al poder analizar las imágenes por resonancia magnética MRI de pacientes con tumores cerebrales y distinguir el tejido cerebral sano de las regiones cancerosas.
Un modelo capacitado en Penn Medicine, por ejemplo, se puede distribuir a hospitales de todo el mundo. Los médicos pueden capacitarse sobre este modelo compartido, ingresando sus propios escáneres cerebrales de pacientes. Luego, su nuevo modelo se transferirá a unservidor. Los modelos eventualmente se reconciliarán en un modelo de consenso que ha ganado el conocimiento de cada uno de los hospitales y, por lo tanto, es clínicamente útil.
"Cuantos más datos ve el modelo computacional, mejor aprende el problema y mejor puede abordar la pregunta para la que fue diseñado para responder", dijo Bakas. "Tradicionalmente, el aprendizaje automático ha utilizado datos de una sola institución,y luego se hizo evidente que esos modelos no funcionan o no se generalizan bien en datos de otras instituciones ".
El modelo de aprendizaje federado deberá ser validado y aprobado por la Administración de Alimentos y Medicamentos de EE. UU. Antes de que pueda obtener la licencia y la comercialización como una herramienta clínica para los médicos. Pero si el modelo se comercializa, ayudaría a los radiólogos, oncólogos radioterapeutas, y los neurocirujanos toman decisiones importantes sobre la atención del paciente, dijo Bakas. Casi 80.000 personas serán diagnosticadas con un tumor cerebral este año, según la Asociación Estadounidense de Tumores Cerebrales.
"Los estudios han demostrado que, en lo que respecta a los límites de los tumores, no solo los diferentes médicos pueden tener opiniones diferentes, sino que el mismo médico que evalúa la misma exploración puede ver una definición de los límites del tumor diferente en un día de la semana en comparación con el siguiente","La inteligencia artificial permite que un médico tenga información más precisa sobre dónde termina un tumor, lo que afecta directamente el tratamiento y el pronóstico del paciente".
Para probar la efectividad del aprendizaje federado y compararlo con otros métodos de aprendizaje automático, Bakas colaboró con investigadores del MD Anderson Cancer Center de la Universidad de Texas, la Universidad de Washington y el Centro Oncológico Hillman de la Universidad de Pittsburgh, mientras que Intel Corporation contribuyósoftware de protección de la privacidad al proyecto.
El estudio comenzó con un modelo que se entrenó previamente con datos multiinstitucionales de un repositorio de código abierto conocido como Desafío de Segmentación Internacional de Tumores Cerebrales o BraTS. Actualmente, BraTS proporciona un conjunto de datos que incluye más de 2600 escáneres cerebrales capturadoscon imágenes de resonancia magnética IRM de 660 pacientes. Luego, 10 hospitales participaron en el estudio entrenando modelos de IA con sus propios datos de pacientes. Luego, se utilizó la técnica de aprendizaje federado para agregar los datos y crear el modelo de consenso.
Los investigadores compararon el aprendizaje federado con modelos entrenados por instituciones individuales, así como con otros enfoques de aprendizaje colaborativo. La efectividad de cada método se midió probándolos contra exploraciones que fueron anotadas manualmente por neurólogos. En comparación con un modelo entrenado condatos centralizados que no protegían la privacidad del paciente, el aprendizaje federado pudo funcionar casi 99 por ciento de manera idéntica. Los hallazgos también indicaron que un mayor acceso a los datos a través de colaboraciones privadas y multiinstitucionales de datos puede beneficiar el rendimiento del modelo.
Los hallazgos de este estudio han allanado el camino para una colaboración mucho más amplia y ambiciosa entre Penn Medicine, Intel y 30 instituciones asociadas, con el apoyo de una subvención de $ 1.2 millones del Instituto Nacional del Cáncer de los Institutos Nacionales de Salud que se otorgó aBakas a principios de este año. Intel anunció en mayo que Bakas liderará el proyecto, en el que las 30 instituciones, en nueve países, utilizarán el enfoque de aprendizaje federado para entrenar un modelo de inteligencia artificial de consenso sobre datos de tumores cerebrales. El objetivo final del proyecto seráser para crear una herramienta de código abierto para que la utilice cualquier médico de cualquier hospital. El desarrollo de la herramienta en el Centro de Computación y Análisis de Imágenes Biomédicas de Penn CBICA está siendo dirigido por el desarrollador senior de software Sarthak Pati, MS.
La coautora del estudio Rivka Colen, MD, profesora asociada de Radiología en la Facultad de Medicina de la Universidad de Pittsburgh, dijo que este documento y el proyecto de aprendizaje federado más grande abren posibilidades para aún más usos de la Inteligencia Artificial en la atención médica.
"Creo que es un gran cambio de juego", dijo Colen. La radiómica es para la radiología lo que la genómica para la patología. La IA revolucionará este campo porque, en este momento, como radiólogo, la mayor parte de lo que hacemos es descriptivo. Conaprendizaje profundo, podemos extraer información que está oculta en esta capa de imágenes digitalizadas ".
Los autores adicionales en este artículo incluyen: Micah J Sheller, Brandon Edwards G Anthony Reina, Jason Martin, Aikaterini Kotrotsou, Mikhail Milchenko, Weilin Xu y Daniel Marcus.
Fuente de la historia :
Materiales proporcionado por Facultad de Medicina de la Universidad de Pennsylvania . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :