Intel Labs et la Perelman School of Medicine de l’Université de Pennsylvanie (Penn Medicine) ont terminé une étude conjointe utilisant l’apprentissage fédéré – une approche d’intelligence artificielle (IA) d’apprentissage automatique distribué (ML) – pour aider les établissements de santé et de recherche mondiaux à identifier les tumeurs cérébrales malignes . Il s’agit de la plus grande étude sur l’apprentissage fédéré médical à ce jour, examinant un ensemble de données mondiales sans précédent provenant de 71 institutions sur six continents. Le MC néerlandais Erasmus à Rotterdam est également impliqué. Le projet a montré qu’il est possible d’améliorer de 33 % la détection des tumeurs cérébrales.
“L’apprentissage fédéré a un énorme potentiel dans de nombreux domaines, en particulier dans les soins de santé, comme le montre notre recherche avec Penn Medicine. La capacité à protéger les informations et les données sensibles ouvre la porte à de futures études et collaborations, en particulier dans les cas où les ensembles de données seraient autrement inaccessibles. Notre travailler avec Penn Medicine a le potentiel d’avoir un impact positif sur les patients du monde entier et nous sommes impatients d’explorer davantage la promesse de l’apprentissage fédéré », a déclaré Jason Martin, ingénieur en chef, Intel Labs
Rendre les données accessibles
L’accessibilité des données est depuis longtemps un problème dans le domaine de la santé en raison des lois nationales sur la protection des données, y compris le Règlement général sur la protection des données (RGPD). Cela rendait presque impossible la réalisation de recherches médicales et le partage de données à grande échelle sans compromettre les informations de santé des patients. Le matériel et les logiciels d’apprentissage fédéré d’Intel répondent aux exigences de confidentialité des données et protègent l’intégrité, la confidentialité et la sécurité des données grâce à une informatique confidentielle.
Le résultat de Penn Medicine-Intel a été obtenu en traitant de grandes quantités de données dans un système décentralisé. Cela a été fait à l’aide de la technologie d’apprentissage fédéré d’Intel en combinaison avec Intel® Software Guard Extensions (SGX). Cette technologie supprime les obstacles au partage de données qui empêchaient auparavant la collaboration dans des recherches similaires sur le cancer et les maladies. Le système résout de nombreux problèmes de confidentialité des données en conservant les données brutes au sein de son propre réseau hospitalier et en autorisant uniquement les mises à jour du modèle calculées à partir de ces données à envoyer à un serveur central ou à un agrégateur, et non aux données brutes .
Le professeur radiologue Dr. Smits et le chercheur biomédical Dr. Van der Voort d’Erasmus MC : « Grâce à cette étude d’apprentissage fédéré, nous, à Erasmus MC, avons pu contribuer à l’amélioration de la détection automatique des tumeurs, sans avoir à envoyer les données des patients. La détection automatique des tumeurs est une étape importante pour la personnalisation et le suivi d’un traitement, et pour développer cette méthodologie, il est essentiel d’utiliser des données provenant de nombreuses institutions différentes. Grâce à cette collaboration, nous avons pu le faire facilement, tout en gardant le contrôle sur nos données. »
“L’apprentissage fédéré offre une percée pour assurer des collaborations multi-agences sécurisées. Il permet d’accéder à l’ensemble de données le plus vaste et le plus diversifié jamais vu dans la littérature, tandis que toutes les données sont conservées au sein de chaque institution à tout moment “, a déclaré l’auteur principal Spyridon Bakas, PhD. , professeur adjoint de pathologie et de médecine de laboratoire et de radiologie à la Perelman School of Medicine de l’Université de Pennsylvanie. “Plus nous pouvons fournir de données aux modèles d’apprentissage automatique, plus ils deviennent précis. Cela, à son tour, améliorera notre capacité à comprendre et à traiter même les maladies rares, telles que le glioblastome.”
Pour améliorer le traitement des maladies, les chercheurs doivent avoir accès à de grandes quantités de données médicales – dans la plupart des cas, des ensembles de données qui dépassent le seuil qu’une institution peut produire. La recherche démontre l’efficacité de l’apprentissage fédéré à grande échelle et les avantages potentiels que les soins de santé peuvent réaliser lorsque des silos de données multisites sont ouverts. Les avantages comprennent la détection précoce de la maladie, ce qui peut améliorer la qualité de vie ou prolonger la durée de vie d’un patient.
Les résultats de l’étude Penn Medicine-Intel Labs ont été publiés dans la revue à comité de lecture, Communication Nature.
