Intel y Penn Medicine anuncian los resultados del mayor estudio de aprendizaje médico federado

La técnica de IA que preserva la privacidad permite a los investigadores mejorar la detección de tumores cerebrales cancerosos en un 33%.

Qué hay nuevo: Intel Labs y la Escuela de Medicina Perelman de la Universidad de Pensilvania (Penn Medicine) han completado un estudio de investigación conjunto utilizando el aprendizaje federado, un enfoque de inteligencia artificial (IA) de aprendizaje automático distribuido (ML), para ayudar a las instituciones internacionales de salud e investigación a identificar tumores cerebrales malignos. El mayor estudio de aprendizaje federado médico hasta la fecha con un conjunto de datos globales sin precedentes examinado de 71 instituciones en seis continentes, el proyecto demostró la capacidad de mejorar la detección de tumores cerebrales en un 33%.

"El aprendizaje federado tiene un tremendo potencial en numerosos dominios, particularmente dentro de la atención médica, como lo demuestra nuestra investigación con Penn Medicine. Su capacidad para proteger información y datos confidenciales abre la puerta a futuros estudios y colaboración, especialmente en los casos en que los conjuntos de datos serían inaccesibles. Nuestro trabajo con Penn Medicine tiene el potencial de impactar positivamente a los pacientes de todo el mundo y esperamos continuar explorando la promesa del aprendizaje federado".

–Jason Martin, ingeniero principal, Intel Labs

Por qué es importante: La accesibilidad de los datos ha sido durante mucho tiempo un problema en la atención médica debido a las leyes estatales y nacionales de privacidad de datos, incluida la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA). Debido a esto, la investigación médica y el intercambio de datos a escala han sido casi imposibles de lograr sin comprometer la información de salud del paciente. El hardware y el software de aprendizaje federado de Intel cumplen con las preocupaciones de privacidad de datos y preservan la integridad, privacidad y seguridad de los datos a través de la informática confidencial.

El resultado de Penn Medicine-Intel se logró mediante el procesamiento de grandes volúmenes de datos en un sistema descentralizado utilizando la tecnología de aprendizaje federado de Intel combinada con Intel® Software Guard Extensions (SGX), que elimina las barreras de intercambio de datos que históricamente han impedido la colaboración en investigaciones similares sobre el cáncer y las enfermedades. El sistema aborda numerosos problemas de privacidad de datos al mantener los datos sin procesar dentro de la infraestructura informática de los titulares de datos y solo permitir que las actualizaciones del modelo calculadas a partir de esos datos se envíen a un servidor central o agregador, no a los datos en sí.

"Toda la potencia informática en el mundo no puede hacer mucho sin suficientes datos para analizar", dijo Rob Enderle, analista principal de Enderle Group. "Esta incapacidad para analizar los datos que ya se han capturado ha retrasado significativamente los avances médicos masivos que la IA ha prometido. Este estudio de aprendizaje federado muestra un camino viable para que la IA avance y alcance su potencial como la herramienta más poderosa para combatir nuestras preocupaciones más difíciles".

Explicación: Arquitectura de aprendizaje federado (PDF)

El autor principal Spyridon Bakas, PhD, profesor asistente de Patología y Medicina de Laboratorio y Radiología en la Escuela de Medicina Perelman, dijo: "En este estudio, el aprendizaje federado muestra su potencial como un cambio de paradigma para asegurar colaboraciones multiinstitucionales al permitir el acceso al conjunto de datos más grande y diverso de pacientes con glioblastoma jamás considerado en la literatura, mientras que todos los datos se conservan dentro de cada institución en todo momento. Cuantos más datos podamos alimentar en los modelos de aprendizaje automático, más precisos se volverán, lo que a su vez puede mejorar nuestra capacidad para comprender y tratar incluso enfermedades raras, como el glioblastoma".

Para avanzar en el tratamiento de enfermedades, los investigadores deben acceder a grandes cantidades de datos médicos, en la mayoría de los casos, conjuntos de datos que exceden el umbral que una sola instalación puede producir. La investigación demuestra la efectividad del aprendizaje federado a escala y los beneficios potenciales que la industria de la salud puede obtener cuando se desbloquean los silos de datos multisitio. Los beneficios incluyen la detección temprana de la enfermedad, lo que podría mejorar la calidad de vida o aumentar la esperanza de vida de un paciente.

Los resultados de la investigación de Penn Medicine-Intel Labs se publicaron en la revista revisada por expertos, Nature Communications.

Por qué es importante: Durante mucho tiempo, la accesibilidad a de datos ha sido  un problema en la medicina debido a las leyes estatales y nacionales de privacidad de datos, incluida la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA). Debido a esto, la investigación médica y el intercambio de datos a escala han sido casi imposibles de lograr sin comprometer la información de salud del paciente. El hardware y el software de aprendizaje federado de Intel cumplen con las preocupaciones de privacidad de datos y preservan la integridad, privacidad y seguridad de estos a través de la informática confidencial.

El resultado de Penn Medicine-Intel se logró mediante el procesamiento de grandes volúmenes de datos en un sistema descentralizado utilizando la tecnología de aprendizaje federado de Intel combinada con Intel® Software Guard Extensions (SGX), que elimina las barreras de intercambio de datos que históricamente han impedido la colaboración en investigaciones similares sobre el cáncer y las enfermedades. El sistema aborda numerosos problemas de privacidad de datos al mantener los datos sin procesar dentro de la infraestructura informática de los titulares de datos y solo permitir que las actualizaciones del modelo calculadas a partir de esos datos se envíen a un servidor central o agregador, no a los datos en sí.

"Toda la potencia informática en el mundo no puede hacer mucho sin suficientes datos para analizar", dijo Rob Enderle, analista principal de Enderle Group. "Esta incapacidad para analizar los datos que ya se han capturado ha retrasado significativamente los avances médicos masivos que la IA ha prometido. Este estudio de aprendizaje federado muestra un camino viable para que la IA avance y alcance su potencial como la herramienta más poderosa para combatir nuestras preocupaciones más difíciles".

El autor principal Spyridon Bakas, PhD, profesor asistente de Patología y Medicina de Laboratorio y Radiología en la Escuela de Medicina Perelman, dijo: "En este estudio, el aprendizaje federado muestra su potencial como un cambio de paradigma para asegurar colaboraciones multiinstitucionales al permitir el acceso al conjunto de datos más grande y diverso de pacientes con glioblastoma jamás considerado en la literatura, mientras que todos los datos se conservan dentro de cada institución en todo momento. Cuantos más datos podamos alimentar en los modelos de aprendizaje automático, más precisos se volverán, lo que a su vez puede mejorar nuestra capacidad para comprender y tratar incluso enfermedades raras, como el glioblastoma".

Para avanzar en el tratamiento de enfermedades, los investigadores deben acceder a grandes cantidades de datos médicos, en la mayoría de los casos, conjuntos de datos que exceden el umbral que una sola instalación puede producir. La investigación demuestra la efectividad del aprendizaje federado a escala y los beneficios potenciales que la industria de la salud puede obtener cuando se desbloquean los silos de datos multisitio. Los beneficios incluyen la detección temprana de la enfermedad, lo que podría mejorar la calidad de vida o aumentar la esperanza de vida de un paciente.

Los resultados de la investigación de Penn Medicine-Intel Labs se publicaron en la revista revisada por expertos, Nature Communications.

Acerca de la investigación: En 2020, Intel y Penn Medicine anunciaron el acuerdo para cooperar y utilizar el aprendizaje federado para mejorar la detección de tumores y mejorar los resultados del tratamiento de una forma rara de cáncer llamada glioblastoma (GBM), el tumor cerebral adulto más común y fatal con una mediana de supervivencia de solo 14 meses después del tratamiento estándar. Si bien las opciones de tratamiento se han ampliado en los últimos 20 años, no ha habido una mejora en las tasas generales de supervivencia. La investigación fue financiada por el programa de Tecnología Informática para la Investigación del Cáncer del Instituto Nacional del Cáncer de los Institutos Nacionales de Salud.

Penn Medicine y 71 instituciones internacionales de atención médica/investigación utilizaron el hardware y software de aprendizaje federado de Intel para mejorar la detección de los límites del cáncer raro. Los radiólogos utilizaron una nueva plataforma de software de IA de última generación llamada Segmentación de tumores federados (FeTS) para determinar el límite de un tumor y mejorar la identificación de la "región operable" de los tumores o "núcleo tumoral". Los radiólogos anotaron sus datos y utilizaron el aprendizaje federado abierto (OpenFL), un marco de código abierto para entrenar algoritmos de aprendizaje automático, para ejecutar el entrenamiento federado. La plataforma fue entrenada en 3.7 millones de imágenes de 6,314 pacientes con GBM en seis continentes, el mayor conjunto de datos de tumores cerebrales hasta la fecha.

Lo que sigue: A través de este proyecto, Intel Labs y Penn Medicine han creado una prueba de concepto para utilizar el aprendizaje federado para obtener conocimiento de los datos. La solución puede afectar significativamente la atención médica y otras áreas de estudio, particularmente entre otros tipos de investigación del cáncer. Específicamente, Intel desarrolló el proyecto de código abierto OpenFL para permitir a los clientes adoptar el aprendizaje federado entre silos del mundo real e implementarlo con confianza en Intel SGX. Además, la novedosa iniciativa FeTS se estableció como una red de colaboración para proporcionar una plataforma para el desarrollo continuo y fomentar la colaboración con la plataforma FeTS y el kit de herramientas de código abierto OpenFL de Intel, ambos disponibles en GitHub.

Más contexto: Intel trabaja con la Universidad de Pensilvania en el uso de IA que preserva la privacidad para identificar tumores cerebrales | Informe de Nature Communications | Intel y Penn Medicine anuncian los resultados del mayor estudio de aprendizaje médico federado (video) | Aprendizaje federado seguro para un mundo mejor (estudio de caso) | Estudio de aprendizaje federado de Intel, Penn Medicine (hoja de cotización)

Historias de clientes de Intel: Intel Customer Spotlight on Intel.com | Historias de clientes en Intel Newsroom