El nuevo método de aprendizaje automático permite a los hospitales compartir datos de pacientes de forma privada
Crédito: CC0 Dominio público
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 los datos de los pacientes debido a desafíos legales, culturales y de privacidad.
Una técnica emergente llamada aprendizaje federado es una solución a este dilema, según un estudio publicado el martes en la revista Scientific Reports, dirigido por el autor principal Spyridon Bakas, Ph.D., instructor de Radiología y Patología y Medicina de Laboratorio en la Facultad de Medicina Perelman de la Universidad de Pensilvania.
Aprendizaje federado: un enfoque implementado por primera vez por Google para la función de corrección automática de teclados entrena un algoritmo en varios dispositivos o servidores descentralizados que contienen muestras de datos locales, sin intercambiarlos. Si bien el enfoque podría usarse potencialmente para responder 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 imágenes de resonancia magnética (IRM) de pacientes con tumores cerebrales y distinguir tejido cerebral sano de regiones cancerosas.
Un modelo entrenado en Penn Medicine, por ejemplo, se puede distribuir a hospitales de todo el mundo. Luego, los médicos pueden entrenar sobre este modelo compartido, ingresando sus propios escáneres cerebrales de pacientes. Luego, su nuevo modelo se transferirá a un servidor centralizado. Los modelos finalmente se reconciliarán en un modelo de consenso que ha adquirido 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», 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 generalizan bien los datos de otras instituciones».
El modelo de aprendizaje federado deberá validarse y aprobado por la Administración de Drogas y Alimentos de los EE. UU. antes de que pueda obtener la licencia y comercializarse como una herramienta clínica para los médicos. Pero si el modelo se comercializa y cuando se comercialice, ayudaría a los radiólogos, oncólogos radiólogos y neurocirujanos a tomar 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, cuando se trata de los límites del tumor, no solo los diferentes médicos pueden tener opiniones diferentes, pero el mismo médico que evalúa la misma exploración puede ver una definición diferente de los límites del tumor en un día de la semana en comparación con el siguiente», dijo. «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 de un paciente».
Para probar la efectividad del aprendizaje federado y compararlo con otros métodos de aprendizaje automático, Bakas colaboró con investigadores del Centro Oncológico MD Anderson de la Universidad de Texas, la Universidad de Washington y el Centro Oncológico Hillman de la Universidad de Pittsburgh, mientras que Intel Corporation contribuyó al proyecto con software de protección de la privacidad.
El estudio comenzó con un modelo que fue entrenado previamente en datos multiinstitucionales de un repositorio de código abierto conocido como el desafío de Segmentación Internacional de Tumores Cerebrales, o BraTS, por sus siglas en inglés. BraTS proporciona actualmente un conjunto de datos que incluye más de 2600 escáneres cerebrales capturados con resonancia magnética nuclear (RMN) de 660 pacientes. A continuación, 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 escaneos que fueron anotados manualmente por neurólogos. En comparación con un modelo entrenado con datos centralizados que no protegen 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 multiinstitucionales privadas de datos puede beneficiar el rendimiento del modelo.
Los hallazgos de este estudio allanaron el camino para una colaboración mucho más grande 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 a Bakas 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 IA de consenso sobre datos de tumores cerebrales. El objetivo final del proyecto será 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 (CBICA) de Penn está dirigido por el desarrollador de software sénior 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 el cuidado de la salud.
«Creo que es un gran cambio de juego», Colen dijo. «La radiómica es para la radiología lo que la genómica fue para la patología. La IA revolucionará este campo porque, en este momento, como radiólogos, la mayor parte de lo que hacemos es descriptivo. Con el aprendizaje profundo, podemos extraer información que está oculta en este capa de imágenes digitalizadas».
Explore más
El aprendizaje automático ayuda a los médicos a diagnosticar la gravedad de los tumores cerebrales Más información: Scientific Reports (2020). DOI: 10.1038/s41598-020-69250-1 Información de la revista: Scientific Reports
Proporcionado por la Escuela de Medicina Perelman de la Universidad de Pensilvania Cita: Nuevo aprendizaje automático El método permite a los hospitales compartir datos de pacientes de forma privada (28 de julio de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-07-machine-method-hospitals-patient-dataprivately.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.