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

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

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

Pembelajaran federasi – sebuah pendekatan yang pertama kali diterapkan oleh Google untuk fungsionalitas koreksi-otomatis keyboard – melatih sebuah algoritma di beberapa perangkat atau server terdesentralisasi yang menyimpan sampel data lokal, tanpa menukarnya. Sementara pendekatan tersebut berpotensi digunakan untuk menjawab berbagai pertanyaan medis, para peneliti Penn Medicine telah menunjukkan bahwa pembelajaran gabungan berhasil secara khusus dalam konteks pencitraan otak, dengan mampu menganalisis pemindaian magnetic resonance imaging (MRI) pasien tumor otak dan membedakan 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-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 oleh model komputasi, semakin baik ia mempelajari masalahnya, dan semakin baik ia dapat menjawab pertanyaan yang dirancang untuk dijawab," kata Bakas. "Secara tradisional, pembelajaran mesin telah menggunakan data dari satu institusi tunggal, dan kemudian menjadi jelas bahwa model-model itu tidak melakukan atau menggeneralisasi data dengan baik dari institusi lain."

Model pembelajaran federasi perlu divalidasi dan disetujui oleh Administrasi Makanan dan Obat A.S. sebelum dapat dilisensikan dan dikomersialkan sebagai alat klinis untuk dokter. Tetapi jika dan ketika model 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 menderita tumor otak tahun ini, menurut American Brain Tumor Association.

"Studi telah menunjukkan bahwa, ketika datang ke batas-batas tumor, tidak hanya dokter yang berbeda dapat memiliki pendapat yang berbeda, tetapi dokter yang sama menilai pemindaian yang sama dapat melihat definisi batas tumor yang berbeda pada satu hari dalam seminggu dibandingkan yang berikutnya," katanya. "Kecerdasan Buatan memungkinkan dokter untuk memiliki informasi yang lebih tepat tentang di mana tumor berakhir, yang secara langsung mempengaruhi perawatan dan prognosis pasien."

Untuk menguji efektivitas pembelajaran gabungan dan membandingkannya dengan metode pembelajaran mesin lainnya, Bakas berkolaborasi dengan peneliti dari University of Texas MD Pusat Kanker Anderson, Universitas Washington, dan Hillman Cancer Center di University of Pittsburgh, sementara Intel Corporation berkontribusi privasi- melindungi perangkat lunak ke proyek.

Penelitian ini dimulai dengan model yang telah dilatih sebelumnya tentang data multi-institusional dari repositori open-source yang dikenal sebagai International Brain Tumor Segmentation, atau BraTS, Challenge. BraTS saat ini menyediakan dataset yang mencakup lebih dari 2.600 pemindaian otak yang ditangkap dengan magnetic resonance imaging (MRI) dari 660 pasien. Selanjutnya, 10 rumah sakit berpartisipasi dalam penelitian dengan melatih model AI dengan data pasien mereka sendiri. Teknik pembelajaran federasi kemudian digunakan untuk mengumpulkan data dan membuat model konsensus.


Para peneliti membandingkan pembelajaran gabungan dengan model-model yang dilatih oleh institusi tunggal, serta dengan pendekatan pembelajaran kolaboratif lainnya. Efektivitas masing-masing metode diukur dengan menguji mereka terhadap scan yang dijelaskan secara manual oleh ahli saraf. Ketika dibandingkan dengan model yang dilatih dengan data terpusat yang tidak melindungi privasi pasien, pembelajaran gabungan mampu melakukan hampir (99 persen) secara identik. Temuan ini juga menunjukkan bahwa peningkatan akses ke data melalui data pribadi, kolaborasi multi-institusi dapat menguntungkan kinerja model.

Temuan dari penelitian ini telah membuka jalan bagi kolaborasi ambisius yang jauh lebih besar antara Penn Medicine, Intel, dan 30 lembaga mitra, didukung oleh hibah $ 1,2 juta dari National Cancer Institute dari National Institutes of Health yang diberikan kepada Bakas sebelumnya. tahun ini. Intel mengumumkan pada Mei bahwa Bakas akan memimpin proyek, di mana 30 institusi, di sembilan negara, akan menggunakan pendekatan pembelajaran gabungan untuk melatih model AI konsensus pada data tumor otak. Tujuan akhir dari proyek ini adalah untuk menciptakan alat open-source untuk digunakan oleh 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 menggunakan Kecerdasan Buatan dalam perawatan kesehatan.

"Saya pikir ini adalah game changer yang sangat besar," kata Colen. "Radiomics adalah untuk radiologi apa itu genomik untuk patologi. AI akan merevolusi bidang ini, karena, saat ini, sebagai ahli radiologi, sebagian besar yang kami lakukan adalah deskriptif. Dengan pembelajaran yang mendalam, kami dapat mengekstrak informasi yang tersembunyi dalam 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.

You may also like...

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.