Detectie hersentumoren kan 33% beter

technologie

Het is mogelijk om detectie van hersentumoren met 33% te verbeteren met gebruik van federated learning. dit is een combinatie van gedistribueerde machine learning (ML) en kunstmatige intelligentie (AI).

Dit blijkt uit een groot onderzoek van Erasmus MC, de Perelman School of Medicine van de Universiteit van Pennsylvania (Penn Medicine) en Intel Labs. Het onderzoek is de grootste medische federated learning studie tot nu toe met een ongekende wereldwijde dataset van 71 instellingen op zes continenten.

De toegankelijkheid van data is een probleem in de gezondheidszorg vanwege nationale wetten rond databescherming, waaronder de Algemene verordering gegevensbescherming (AVG). Hierdoor was het bijna onmogelijk om medisch onderzoek en gegevensuitwisseling op grote schaal te realiseren zonder de gezondheidsinformatie van patiënten in gevaar te brengen. Federated learning hardware en software voldoen aan de eisen van dataprivacy en beschermen data-integriteit, privacy en veiligheid met vertrouwelijk computergebruik.

Medische data

Om de behandeling van ziekten te verbeteren, moeten onderzoekers toegang krijgen tot grote hoeveelheden medische data – in de meeste gevallen datasets die de drempel overschrijden die één instelling kan produceren. Het onderzoek toont de effectiviteit aan van federated learning op schaal en de potentiële voordelen die de gezondheidszorg kan realiseren met  multisite datasilo’s. Voordelen zijn onder meer vroege opsporing van ziekten, wat de kwaliteit van leven kan verbeteren of iemands levensduur kan verlengen.

Het  resultaat kwam tot stand door verwerking van grote hoeveelheden gegevens in een gedecentraliseerd systeem. Dit gebeurde met behulp van Intel federated learning technologie in combinatie met Intel® Software Guard Extensions (SGX). Dit  neemt barrières weg voor het delen van data die in het verleden samenwerking bij soortgelijk kanker- en ziekteonderzoek in de weg stonden.

Het systeem pakt tal van problemen met dataprivacy aan door de ruwe data binnen het eigen ziekenhuisnetwerk te houden. Het is dab alleen toegestaan dat modelupdates, die op basis van die gegevens zijn berekend, naar een centrale server of aggregator mogen gaan, en niet de ruwe data.

Automatische tumordetectie

Radioloog prof. dr. Smits en biomedisch onderzoeker dr. Van der Voort van het Erasmus MC: “Vanuit het Erasmus MC konden we door deze federated learning studie bijdragen aan het verbeteren van automatische tumordetectie, zonder daarvoor patiëntgegevens te hoeven versturen. Automatische tumor detectie is een belangrijke stap voor het personaliseren en opvolgen van een behandeling, en om deze methodologie te ontwikkelen is het essentieel om data vanuit veel verschillende instituten te gebruiken. Met deze samenwerking hebben we dat eenvoudig kunnen doen, terwijl we wel zelf de controle konden houden over onze data.”

“Federated learning biedt een doorbraak in het waarborgen van veilige multi-institutionele samenwerkingen. Het maakt de toegang tot de grootste en meest diverse dataset mogelijk die ooit in de literatuur is gezien. En dat terwijl alle data te allen tijde binnen elke instelling zelf worden bewaard,” aldus senior auteur Spyridon Bakas, PhD, assistent-professor Pathologie & Laboratoriumgeneeskunde, en Radiologie, aan de Perelman School of Medicine van de Universiteit van Pennsylvania. “Hoe meer data we kunnen invoeren in modellen voor machine learning, hoe nauwkeuriger ze worden. Dat zal op zijn beurt ons vermogen verbeteren om zelfs zeldzame ziekten, zoals glioblastoom, te begrijpen en te behandelen.”

Lees ook:

 

Gerelateerde berichten...