Een opkomende techniek genaamd federated learning is een oplossing voor dit dilemma, volgens een studie die dinsdag in het tijdschrift is gepubliceerd Wetenschappelijke rapporten, geleid door senior auteur Spyridon Bakas, PhD, een instructeur van Radiologie en Pathologie & Laboratoriumgeneeskunde aan de Perelman School of Medicine aan de Universiteit van Pennsylvania.

Federated learning - een aanpak die voor het eerst door Google is geïmplementeerd voor de autocorrectiefunctionaliteit van toetsenborden - traint een algoritme op meerdere gedecentraliseerde apparaten of servers met lokale gegevensmonsters, zonder deze uit te wisselen. Hoewel de benadering mogelijk kan worden gebruikt om veel verschillende medische vragen te beantwoorden, hebben Penn Medicine-onderzoekers aangetoond dat gefedereerd leren met name succesvol is in de context van beeldvorming van de hersenen, door magnetische resonantiebeeldvorming (MRI) -scans van hersentumorpatiënten te kunnen analyseren en onderscheid te kunnen maken tussen gezond hersenweefsel uit kankergebieden.

Een model dat bij Penn Medicine is opgeleid, kan bijvoorbeeld worden gedistribueerd naar ziekenhuizen over de hele wereld. Artsen kunnen vervolgens bovenop dit gedeelde model trainen door hun eigen hersenscans van patiënten in te voeren. Hun nieuwe model wordt dan overgebracht naar een gecentraliseerde server. De modellen zullen uiteindelijk worden verzoend tot een consensusmodel dat kennis heeft opgedaan bij elk van de ziekenhuizen en daarom klinisch bruikbaar is.

"Hoe meer gegevens het rekenmodel ziet, hoe beter het het probleem leert kennen en hoe beter het de vraag kan beantwoorden waarvoor het is ontworpen", zei Bakas. "Van oudsher gebruikt machine learning data van een enkele instelling, en toen werd duidelijk dat die modellen niet goed presteerden of generaliseerden op data van andere instellingen."

Het gefedereerde leermodel moet worden gevalideerd en goedgekeurd door de Amerikaanse Food and Drug Administration voordat het kan worden gelicentieerd en gecommercialiseerd als een klinisch hulpmiddel voor artsen. Maar als en wanneer het model wordt gecommercialiseerd, zou het radiologen, stralingsoncologen en neurochirurgen helpen belangrijke beslissingen te nemen over patiëntenzorg, zei Bakas. Volgens de American Brain Tumor Association zullen dit jaar bijna 80,000 mensen de diagnose hersentumor krijgen.

"Studies hebben aangetoond dat, als het gaat om tumorgrenzen, niet alleen verschillende artsen verschillende meningen kunnen hebben, maar dezelfde arts die dezelfde scan beoordeelt, op de ene dag van de week een andere definitie van de tumorgrens kan zien dan op de andere dag van de week," zei hij. "Kunstmatige intelligentie stelt een arts in staat om preciezere informatie te hebben over waar een tumor eindigt, wat direct van invloed is op de behandeling en prognose van een patiënt."

Om de effectiviteit van gefedereerd leren te testen en te vergelijken met andere methoden voor machinaal leren, werkte Bakas samen met onderzoekers van het MD Anderson Cancer Center van de Universiteit van Texas, Washington University en het Hillman Cancer Center van de Universiteit van Pittsburgh, terwijl Intel Corporation privacy- het beschermen van software voor het project.

De studie begon met een model dat vooraf was getraind op multi-institutionele gegevens uit een open-source repository die bekend staat als de International Brain Tumor Segmentation, of BraTS, challenge. BraTS biedt momenteel een dataset met meer dan 2,600 hersenscans die zijn vastgelegd met magnetische resonantiebeeldvorming (MRI) van 660 patiënten. Vervolgens deden 10 ziekenhuizen mee aan het onderzoek door AI-modellen te trainen met hun eigen patiëntgegevens. De gefedereerde leertechniek werd vervolgens gebruikt om de gegevens te aggregeren en het consensusmodel te creëren.

De onderzoekers vergeleken gefedereerd leren met modellen die door afzonderlijke instellingen werden getraind, en met andere benaderingen van samenwerkend leren. De effectiviteit van elke methode werd gemeten door ze te testen op scans die handmatig werden geannoteerd door neurologen. In vergelijking met een model dat is getraind met gecentraliseerde gegevens die de privacy van de patiënt niet beschermden, kon gefedereerd leren bijna (99 procent) identiek presteren. De bevindingen gaven ook aan dat betere toegang tot data via data private, multi-institutionele samenwerkingen de modelprestaties ten goede kan komen.

De bevindingen van deze studie hebben de weg vrijgemaakt voor een veel grotere, ambitieuze samenwerking tussen Penn Medicine, Intel en 30 partnerinstellingen, ondersteund door een subsidie ​​van $ 1.2 miljoen van het National Cancer Institute van de National Institutes of Health die eerder aan Bakas is toegekend dit jaar. Intel kondigde in mei aan dat Bakas het project zal leiden, waarin de 30 instellingen in negen landen de gefedereerde leerbenadering zullen gebruiken om een ​​consensus-AI-model te trainen op hersentumorgegevens. Het uiteindelijke doel van het project is om een ​​open-sourcetool te creëren die door elke clinicus in elk ziekenhuis kan worden gebruikt. De ontwikkeling van de tool in Penn's Center for Biomedical Image Computing & Analytics (CBICA) wordt geleid door senior softwareontwikkelaar Sarthak Pati, MS.

Studie co-auteur Rivka Colen, MD, een universitair hoofddocent Radiologie aan de University of Pittsburgh School of Medicine, zei dat dit artikel en het grotere gefedereerde leerproject mogelijkheden openen voor nog meer gebruik van kunstmatige intelligentie in de gezondheidszorg.

"Ik denk dat het een enorme game changer is," zei Colen. “Radiomics is voor radiologie wat genomics was voor pathologie. AI zal een revolutie teweegbrengen op dit gebied, omdat op dit moment, als radioloog, het meeste van wat we doen beschrijvend is. Met deep learning kunnen we informatie extraheren die verborgen zit in deze laag gedigitaliseerde beelden.”

Aanvullende auteurs op dit artikel zijn: Micah J Sheller, Brandon Edwards G Anthony Reina, Jason Martin, Aikaterini Kotrotsou, Mikhail Milchenko, Weilin Xu en Daniel Marcus.