Apprentissage fédéré, où selon Principes FAIR applications aux données au lieu de l’inverse était encore un territoire inexploré pour Erasmus MC. Monté rejoindre en 2020 dans une étude internationale à grande échelle sur la mesure dans laquelle l’apprentissage fédéré peut contribuer à la recherche scientifique médicale basée sur l’IA.
La neuroradiologue et professeure de neuroradiologie Marion Smits connaissait le chercheur principal de l’étude Penn, Spyridon Bakas, entre autres d’un consortium conjoint qui tente de cartographier les tumeurs cérébrales de diverses manières (pour la partie recherche des fonctions de Smits, l’accent est mis sur le cerveau tumeurs). «Lorsque Bakas a mis en place la recherche d’apprentissage fédéré sur ces tumeurs il y a deux ans, il nous a également demandé de le rejoindre», explique Smits.
Vous voyez maintenant plus d’études dans lesquelles l’apprentissage fédéré est inclus, mais quand Erasmus MC l’a lancé, c’était encore nouveau, ajoute le chercheur biomédical Sebastian van der Voort (actif dans le groupe de recherche de Smits). Sa recherche doctorale s’est concentrée sur l’application de la technologie de l’IA pour obtenir des informations sur d’éventuelles tumeurs cérébrales que vous obtiendriez normalement par des biopsies.
Avantages de l’apprentissage fédéré
L’accès à de grands ensembles de données est souvent un problème majeur pour les chercheurs en médecine, notamment en raison des réglementations en matière de confidentialité. Selon Van der Voort, l’apprentissage fédéré en soi ne donne pas accès à plus de données. Mais parce que chacun peut garder les données sous sa propre gestion, les gens sont plus enclins à donner accès à leurs données. «Ils n’ont plus à remettre ces données, qui sont toujours sensibles à la confidentialité, mais peuvent mettre une application d’IA sous leur contrôle sur leurs propres données. Cela rend l’accès aux données beaucoup plus facile.
L’accès aux données est également souvent limité car il s’agit de données plus anciennes, notamment pour les tumeurs rares. De nos jours, il est tout à fait normal de demander également la permission aux gens lors de l’utilisation de données pour la recherche scientifique médicale, mais cela n’a pas toujours été le cas », ajoute Smits. « L’autorisation non obtenue de partager des données est moins problématique si ces données ne quittent pas leurs propres serveurs. L’apprentissage fédéré évite ainsi le problème que pose parfois la réglementation sur la vie privée.
Résultats spéciaux
Qui c’est article de recherche lit sur l’étude, peut ne pas réaliser immédiatement à quel point les résultats sont spéciaux, Smits le sait. « Il est logique que nous ayons développé une application d’IA robuste et généralisable. Mais c’est spécial, parce que souvent ça ne marche pas. 71 centres ont participé, ce qui a permis d’obtenir des données à la fois nombreuses et très diverses. Ils ont tous appris à mettre en place un environnement d’apprentissage fédéré. Ces types d’ensembles de données sont vraiment l’avenir, et non plus les ensembles de données auto-collectés avec l’algorithme auto-développé qui sont ensuite envoyés dans le monde. L’apprentissage fédéré établit une nouvelle norme.
Lisez l’interview détaillée de Marion Smits et Sebastiaan van der Voort dans le numéro 1 d’ICT&health, qui paraîtra le 17 février.
congrès TIC&santé 2023
Le 30 janvier 2023, ICT&health lance la nouvelle année des soins de santé avec la conférence annuelle majeure et influente sur la transformation des soins de santé.
Être également présent ? Réservez vite votre billet d’entrée
