Cr\u00e9dito: CC0 Dominio p\u00fablico <\/p>\n
Para responder preguntas m\u00e9dicas que se pueden aplicar a una amplia poblaci\u00f3n de pacientes, los modelos de aprendizaje autom\u00e1tico 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 desaf\u00edos legales, culturales y de privacidad. <\/p>\n
Una t\u00e9cnica emergente llamada aprendizaje federado es una soluci\u00f3n a este dilema, seg\u00fan un estudio publicado el martes en la revista Scientific Reports, dirigido por el autor principal Spyridon Bakas, Ph.D., instructor de Radiolog\u00eda y Patolog\u00eda y Medicina de Laboratorio en la Facultad de Medicina Perelman de la Universidad de Pensilvania.<\/p>\n
Aprendizaje federado: un enfoque implementado por primera vez por Google para la funci\u00f3n de correcci\u00f3n autom\u00e1tica de teclados entrena un algoritmo en varios dispositivos o servidores descentralizados que contienen muestras de datos locales, sin intercambiarlos. Si bien el enfoque podr\u00eda usarse potencialmente para responder muchas preguntas m\u00e9dicas diferentes, los investigadores de Penn Medicine han demostrado que el aprendizaje federado tiene \u00e9xito espec\u00edficamente en el contexto de las im\u00e1genes cerebrales, al poder analizar im\u00e1genes de resonancia magn\u00e9tica (IRM) de pacientes con tumores cerebrales y distinguir tejido cerebral sano de regiones cancerosas.<\/p>\n
Un modelo entrenado en Penn Medicine, por ejemplo, se puede distribuir a hospitales de todo el mundo. Luego, los m\u00e9dicos pueden entrenar sobre este modelo compartido, ingresando sus propios esc\u00e1neres cerebrales de pacientes. Luego, su nuevo modelo se transferir\u00e1 a un servidor centralizado. Los modelos finalmente se reconciliar\u00e1n en un modelo de consenso que ha adquirido conocimiento de cada uno de los hospitales y, por lo tanto, es cl\u00ednicamente \u00fatil.<\/p>\n
\u00abCuantos m\u00e1s datos ve el modelo computacional, mejor aprende el problema y mejor puede abordar la pregunta para la que fue dise\u00f1ado\u00bb, dijo Bakas. \u00abTradicionalmente, el aprendizaje autom\u00e1tico ha utilizado datos de una sola instituci\u00f3n, y luego se hizo evidente que esos modelos no funcionan o no generalizan bien los datos de otras instituciones\u00bb.<\/p>\n
El modelo de aprendizaje federado deber\u00e1 validarse y aprobado por la Administraci\u00f3n de Drogas y Alimentos de los EE. UU. antes de que pueda obtener la licencia y comercializarse como una herramienta cl\u00ednica para los m\u00e9dicos. Pero si el modelo se comercializa y cuando se comercialice, ayudar\u00eda a los radi\u00f3logos, onc\u00f3logos radi\u00f3logos y neurocirujanos a tomar decisiones importantes sobre la atenci\u00f3n del paciente, dijo Bakas. Casi 80,000 personas ser\u00e1n diagnosticadas con un tumor cerebral este a\u00f1o, seg\u00fan la Asociaci\u00f3n Estadounidense de Tumores Cerebrales.<\/p>\n
\u00abLos estudios han demostrado que, cuando se trata de los l\u00edmites del tumor, no solo los diferentes m\u00e9dicos pueden tener opiniones diferentes, pero el mismo m\u00e9dico que eval\u00faa la misma exploraci\u00f3n puede ver una definici\u00f3n diferente de los l\u00edmites del tumor en un d\u00eda de la semana en comparaci\u00f3n con el siguiente\u00bb, dijo. \u00abLa inteligencia artificial permite que un m\u00e9dico tenga informaci\u00f3n m\u00e1s precisa sobre d\u00f3nde termina un tumor, lo que afecta directamente el tratamiento y el pron\u00f3stico de un paciente\u00bb.<\/p>\n
Para probar la efectividad del aprendizaje federado y compararlo con otros m\u00e9todos de aprendizaje autom\u00e1tico, Bakas colabor\u00f3 con investigadores del Centro Oncol\u00f3gico MD Anderson de la Universidad de Texas, la Universidad de Washington y el Centro Oncol\u00f3gico Hillman de la Universidad de Pittsburgh, mientras que Intel Corporation contribuy\u00f3 al proyecto con software de protecci\u00f3n de la privacidad.<\/p>\n
El estudio comenz\u00f3 con un modelo que fue entrenado previamente en datos multiinstitucionales de un repositorio de c\u00f3digo abierto conocido como el desaf\u00edo de Segmentaci\u00f3n Internacional de Tumores Cerebrales, o BraTS, por sus siglas en ingl\u00e9s. BraTS proporciona actualmente un conjunto de datos que incluye m\u00e1s de 2600 esc\u00e1neres cerebrales capturados con resonancia magn\u00e9tica nuclear (RMN) de 660 pacientes. A continuaci\u00f3n, 10 hospitales participaron en el estudio entrenando modelos de IA con sus propios datos de pacientes. Luego se utiliz\u00f3 la t\u00e9cnica de aprendizaje federado para agregar los datos y crear el modelo de consenso.<\/p>\n
Los investigadores compararon el aprendizaje federado con modelos entrenados por instituciones individuales, as\u00ed como con otros enfoques de aprendizaje colaborativo. La efectividad de cada m\u00e9todo se midi\u00f3 prob\u00e1ndolos contra escaneos que fueron anotados manualmente por neur\u00f3logos. En comparaci\u00f3n 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 id\u00e9ntica. Los hallazgos tambi\u00e9n indicaron que un mayor acceso a los datos a trav\u00e9s de colaboraciones multiinstitucionales privadas de datos puede beneficiar el rendimiento del modelo.<\/p>\n
Los hallazgos de este estudio allanaron el camino para una colaboraci\u00f3n mucho m\u00e1s grande y ambiciosa entre Penn Medicine, Intel , y 30 instituciones asociadas, con el apoyo de una subvenci\u00f3n de $ 1,2 millones del Instituto Nacional del C\u00e1ncer de los Institutos Nacionales de Salud que se otorg\u00f3 a Bakas a principios de este a\u00f1o. Intel anunci\u00f3 en mayo que Bakas liderar\u00e1 el proyecto, en el que las 30 instituciones, en nueve pa\u00edses, utilizar\u00e1n el enfoque de aprendizaje federado para entrenar un modelo de IA de consenso sobre datos de tumores cerebrales. El objetivo final del proyecto ser\u00e1 crear una herramienta de c\u00f3digo abierto para que la utilice cualquier m\u00e9dico de cualquier hospital. El desarrollo de la herramienta en el Centro de Computaci\u00f3n y An\u00e1lisis de Im\u00e1genes Biom\u00e9dicas (CBICA) de Penn est\u00e1 dirigido por el desarrollador de software s\u00e9nior Sarthak Pati, MS.<\/p>\n
La coautora del estudio, Rivka Colen, MD, profesora asociada de Radiolog\u00eda en la Facultad de Medicina de la Universidad de Pittsburgh, dijo que este documento y el proyecto de aprendizaje federado m\u00e1s grande abren posibilidades para a\u00fan m\u00e1s usos de la Inteligencia Artificial en el cuidado de la salud.<\/p>\n
\u00abCreo que es un gran cambio de juego\u00bb, Colen dijo. \u00abLa radi\u00f3mica es para la radiolog\u00eda lo que la gen\u00f3mica fue para la patolog\u00eda. La IA revolucionar\u00e1 este campo porque, en este momento, como radi\u00f3logos, la mayor parte de lo que hacemos es descriptivo. Con el aprendizaje profundo, podemos extraer informaci\u00f3n que est\u00e1 oculta en este capa de im\u00e1genes digitalizadas\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
El aprendizaje autom\u00e1tico ayuda a los m\u00e9dicos a diagnosticar la gravedad de los tumores cerebrales M\u00e1s informaci\u00f3n:<\/strong> Scientific Reports (2020). DOI: 10.1038\/s41598-020-69250-1 Informaci\u00f3n de la revista:<\/strong> Scientific Reports <\/p>\n Proporcionado por la Escuela de Medicina Perelman de la Universidad de Pensilvania Cita<\/strong>: Nuevo aprendizaje autom\u00e1tico El m\u00e9todo 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: CC0 Dominio p\u00fablico Para responder preguntas m\u00e9dicas que se pueden aplicar a una amplia poblaci\u00f3n de pacientes, los modelos de aprendizaje autom\u00e1tico 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 … Continuar leyendo \u00abEl nuevo m\u00e9todo de aprendizaje autom\u00e1tico permite a los hospitales compartir datos de pacientes de forma privada\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-31098","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/31098","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=31098"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/31098\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=31098"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=31098"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=31098"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}