Metode pembelajaran mesin baru memungkinkan rumah sakit untuk berbagi data pasien – secara pribadi – ScienceDaily

Metode pembelajaran mesin baru memungkinkan rumah sakit untuk berbagi data pasien – secara pribadi – ScienceDaily


Untuk menjawab pertanyaan medis yang dapat diterapkan pada populasi pasien yang luas, model pembelajaran mesin mengandalkan kumpulan data yang besar dan beragam dari berbagai institusi. Namun, sistem kesehatan dan rumah sakit seringkali menolak untuk berbagi data pasien, karena tantangan hukum, privasi, dan budaya.

Teknik yang muncul yang disebut pembelajaran federasi adalah solusi untuk dilema ini, menurut sebuah penelitian yang diterbitkan Selasa di jurnal tersebut Laporan Ilmiah, dipimpin oleh penulis senior Spyridon Bakas, PhD, instruktur Radiologi dan Patologi & Kedokteran Laboratorium di Perelman School of Medicine di University of Pennsylvania.

Pembelajaran gabungan – pendekatan yang pertama kali diterapkan oleh Google untuk fungsionalitas koreksi otomatis keyboard – melatih algoritme di beberapa perangkat atau server terdesentralisasi yang menyimpan sampel data lokal, tanpa menukarnya. Meskipun pendekatan ini berpotensi dapat digunakan untuk menjawab banyak pertanyaan medis yang berbeda, peneliti Penn Medicine telah menunjukkan bahwa pembelajaran federasi berhasil secara khusus dalam konteks pencitraan otak, dengan mampu menganalisis pemindaian magnetic resonance imaging (MRI) pasien tumor otak dan membedakannya. jaringan otak yang sehat dari daerah kanker.

Model yang dilatih di Penn Medicine, misalnya, dapat didistribusikan ke rumah sakit di seluruh dunia. Dokter kemudian dapat berlatih di atas model bersama ini, dengan memasukkan pemindaian otak pasien mereka sendiri. Model baru mereka kemudian akan ditransfer ke server terpusat. Model tersebut pada akhirnya akan direkonsiliasi menjadi model konsensus yang telah memperoleh pengetahuan dari masing-masing rumah sakit, dan oleh karena itu berguna secara klinis.

“Semakin banyak data yang dilihat model komputasi, semakin baik ia mempelajari masalah, dan semakin baik dapat menjawab pertanyaan yang dirancang untuk dijawab,” kata Bakas. “Secara tradisional, pembelajaran mesin telah menggunakan data dari satu institusi, dan kemudian menjadi jelas bahwa model tersebut tidak bekerja atau menggeneralisasi dengan baik pada data dari institusi lain.”

Model pembelajaran federasi perlu divalidasi dan disetujui oleh Food and Drug Administration AS sebelum dapat dilisensikan dan dikomersialkan sebagai alat klinis untuk dokter. Tetapi jika dan ketika model itu dikomersialkan, itu akan membantu ahli radiologi, ahli onkologi radiasi, dan ahli bedah saraf membuat keputusan penting tentang perawatan pasien, kata Bakas. Hampir 80.000 orang akan didiagnosis dengan tumor otak tahun ini, menurut American Brain Tumor Association.

“Penelitian telah menunjukkan bahwa, ketika sampai pada batasan tumor, tidak hanya dokter yang berbeda dapat memiliki pendapat yang berbeda, tetapi dokter yang sama yang menilai pemindaian yang sama dapat melihat definisi batas tumor yang berbeda pada satu hari dalam seminggu dibandingkan hari berikutnya,” katanya. “Artificial Intelligence memungkinkan dokter mendapatkan informasi yang lebih tepat tentang di mana tumor berakhir, yang secara langsung memengaruhi perawatan dan prognosis pasien.”

Untuk menguji keefektifan pembelajaran federasi dan membandingkannya dengan metode pembelajaran mesin lainnya, Bakas berkolaborasi dengan peneliti dari University of Texas MD Anderson Cancer Center, Washington University, dan Hillman Cancer Center di University of Pittsburgh, sementara Intel Corporation menyumbangkan privasi- melindungi perangkat lunak untuk proyek tersebut.

Studi ini dimulai dengan model yang telah dilatih sebelumnya pada data multi-institusional dari repositori open-source yang dikenal sebagai International Brain Tumor Segmentation, atau BraTS, challenge. BraTS saat ini menyediakan kumpulan data yang mencakup lebih dari 2.600 pindaian otak yang ditangkap dengan magnetic resonance imaging (MRI) dari 660 pasien. Selanjutnya, 10 rumah sakit berpartisipasi dalam studi dengan melatih model AI dengan data pasiennya sendiri. Teknik pembelajaran federasi kemudian digunakan untuk menggabungkan data dan membuat model konsensus.

Para peneliti membandingkan pembelajaran federasi dengan model yang dilatih oleh lembaga tunggal, serta pendekatan pembelajaran kolaboratif lainnya. Keefektifan setiap metode diukur dengan mengujinya terhadap pemindaian yang dijelaskan secara manual oleh ahli saraf. Jika dibandingkan dengan model yang dilatih dengan data terpusat yang tidak melindungi privasi pasien, pembelajaran federasi mampu bekerja hampir (99 persen) secara identik. Temuan juga menunjukkan bahwa peningkatan akses ke data melalui data privat, kolaborasi multi-institusi dapat menguntungkan kinerja model.

Temuan dari studi ini telah membuka jalan bagi kolaborasi yang jauh lebih besar dan ambisius antara Penn Medicine, Intel, dan 30 institusi mitra, didukung oleh hibah $ 1,2 juta dari National Cancer Institute of National Institutes of Health yang diberikan kepada Bakas sebelumnya. tahun ini. Intel mengumumkan pada bulan Mei bahwa Bakas akan memimpin proyek tersebut, di mana 30 institusi, di sembilan negara, akan menggunakan pendekatan pembelajaran federasi untuk melatih model AI konsensus pada data tumor otak. Tujuan akhir dari proyek ini adalah untuk membuat alat sumber terbuka untuk digunakan oleh semua dokter di rumah sakit mana pun. Pengembangan alat di Penn’s Center for Biomedical Image Computing & Analytics (CBICA) dipimpin oleh pengembang perangkat lunak senior Sarthak Pati, MS.

Rekan penulis studi Rivka Colen, MD, seorang profesor Radiologi di Fakultas Kedokteran Universitas Pittsburgh, mengatakan bahwa makalah ini dan proyek pembelajaran federasi yang lebih besar membuka kemungkinan untuk lebih banyak lagi penggunaan Kecerdasan Buatan dalam perawatan kesehatan.

“Saya pikir ini adalah pengubah permainan yang besar,” kata Colen. “Radiomik bagi radiologi sama seperti genomik dengan patologi. AI akan merevolusi bidang ini, karena saat ini, sebagai ahli radiologi, sebagian besar yang kami lakukan adalah deskriptif. Dengan pembelajaran mendalam, kami dapat mengekstrak informasi yang tersembunyi di sini. lapisan gambar digital. “

Penulis tambahan pada makalah ini meliputi: Micah J Sheller, Brandon Edwards G Anthony Reina, Jason Martin, Aikaterini Kotrotsou, Mikhail Milchenko, Weilin Xu, dan Daniel Marcus.

Untuk Informasi Lebih lanjut silahkan Kunjungi : Togel Hongkong

Author Image
adminProzen