新的机器学习方法允许医院共享患者数据——私下里

为了回答可以应用于广泛患者群体的医疗问题，机器学习模型依赖于来自不同机构的大型、多样的数据集。然而，由于法律、隐私和文化方面的挑战，卫生系统和医院往往拒绝共享患者数据。

周二发表在《华尔街日报》上的一项研究表明，一种名为“联合学习”的新兴技术可以解决这个难题科学报告该研究由宾夕法尼亚大学佩雷尔曼医学院放射学、病理学和实验室医学讲师Spyridon Bakas博士领导。

联合学习——谷歌首次为键盘的自动纠正功能实现的一种方法——在多个分散设备或保存本地数据样本的服务器上训练算法，而不交换它们。虽然这种方法可能被用于回答许多不同的医学问题，但宾夕法尼亚大学医学研究人员已经表明，联合学习在大脑成像方面是成功的，通过分析脑肿瘤患者的磁共振成像(MRI)扫描，区分健康的脑组织和癌变区域。

例如，在Penn医学中培训的模型可以分配给世界各地的医院。然后，医生可以通过输入自己的患者脑扫描来训练这个共享模型的顶部。然后将其新模型转移到集中式服务器。这些模型最终将与每个医院获得知识的共识模型，因此临床上有用。

“计算模型看到的数据越多，它会越好地了解问题，而且可以解决它旨在回答的问题越好，”巴纳斯说。“传统上，机器学习已经使用了一个机构的数据，然后它变得显然，这些模型不会对来自其他机构的数据进行概括或概括。”

联邦学习模型需要得到美国食品和药物管理局的验证和批准，才能获得许可，并作为医生的临床工具进行商业化。但如果该模型商业化，它将有助于放射科医生、放射肿瘤科医生和神经外科医生就病人护理做出重要决定，Bakas说。据美国脑瘤协会(American brain tumor Association)统计，今年将有近8万人被诊断出患有脑瘤。

他说:“研究表明，当涉及到肿瘤边界时，不仅不同的医生会有不同的意见，而且同一名医生在评估同一扫描时，可以在一周的某一天和下一天看到不同的肿瘤边界定义。”“人工智能让医生能够获得关于肿瘤终点的更精确信息，这将直接影响患者的治疗和预后。”

为了测试联邦学习的有效性，并将其与其他机器学习方法进行比较，Bakas与来自德克萨斯大学安德森癌症中心、华盛顿大学和匹兹堡大学希尔曼癌症中心的研究人员合作，而英特尔公司也为这个项目提供了隐私保护软件。

该研究开始于一个模型，该模型是从被称为国际脑肿瘤细分的开源储存库的多机构数据预先培训，或者是挑战。BRATS目前提供了一个数据集，其中包括来自660名患者的磁共振成像（MRI）捕获的2,600次脑扫描。接下来，10家医院通过自己培训AI模型参加了研究患者数据。然后使用联合学习技术聚合数据并创建共识模型。

研究人员将联合学习与单一机构训练的模型以及其他协作学习方法进行了比较。每一种方法的有效性都是通过与神经学家手工标注的扫描结果进行对比来衡量的。与使用不保护患者隐私的集中数据训练的模型相比，联邦学习几乎(99%)能够实现相同的效果。研究结果还表明，通过数据私有、多机构合作增加对数据的访问可以提高模型绩效。

本研究的调查结果为宾夕法尼亚州国家癌症研究所国家癌症研究所获得了120万美元的批准，为宾夕法尼亚州国家癌症研究所获得了120万美元的批准而铺平了更大，雄心勃勃的合作。今年。伊利欧尔宣布的贝卡斯将领导该项目，其中九个国家的30个机构将利用联邦学习方法培训AI共识模型关于脑瘤的数据。该项目的最终目标是为任何医院的任何临床医生创建一个开源工具。宾夕法尼亚大学生物医学图像计算与分析中心(CBICA)的这一工具的开发由高级软件开发人员Sarthak Pati领导。

研究匹兹堡大学医学院放射副教授的研究共同作者Rivka Colen表示，本文和较大的联邦学习项目开辟了甚至更多地用处的医疗智能用途的可能性。

“我认为这是一个巨大的比赛更换器，”Colen说。“辐射瘤是放射学到病理学的基因组。AI将彻底改变这一领域，因为现在，作为放射科学家，我们所做的大部分是描述性的。随着深度学习，我们能够提取隐藏的信息数字化图像层。“

---

---