Nowa metoda AI może trenować na dokumentacji medycznej bez ujawniania danych pacjenta

Kategoria: Sztuczna inteligencja Opublikowany 11 grudnia

Kiedy Google ogłosił, że wchłonie dział zdrowia DeepMind, wywołało to poważne kontrowersje dotyczące prywatności danych. Chociaż DeepMind potwierdził, że ten ruch nie przekaże Google surowych danych pacjentów, sam pomysł udostępnienia gigantowi technologicznemu intymności, identyfikacji dokumentacji medycznej wywołał u ludzi mdłości. Ten problem z pozyskiwaniem dużej ilości danych wysokiej jakości stał się największą przeszkodą w zastosowaniu uczenia maszynowego w medycynie.

Aby obejść ten problem, badacze AI posuwają się naprzód nowe techniki do trenowania modeli uczenia maszynowego przy zachowaniu poufności danych. ten najnowsza metoda , z MIT, nazywa się podzieloną siecią neuronową: pozwala jednej osobie rozpocząć trenowanie modelu głębokiego uczenia się, a innej osobie zakończyć.

Pomysł polega na tym, że szpitale i inne instytucje medyczne byłyby w stanie lokalnie trenować swoje modele na podstawie danych pacjentów, a następnie każdy z nich wysyłałby swój częściowo wytrenowany model do scentralizowanej lokalizacji, aby wspólnie ukończyć ostatnie etapy szkolenia ze swoimi modelami. Scentralizowana lokalizacja, niezależnie od tego, czy są to usługi w chmurze Google, czy innej firmy, nigdy nie zobaczy surowych danych pacjenta; zobaczyliby tylko wynik na wpół upieczonego modelu plus sam model. Ale szpitale skorzystałyby z ostatecznego modelu wyszkolonego na kombinacji danych z każdej uczestniczącej instytucji.

Ramesh Raskar, profesor nadzwyczajny w MIT Media Lab i współautor artykułu, porównuje ten proces do szyfrowania danych. Tylko ze względu na szyfrowanie czuję się komfortowo, wysyłając dane mojej karty kredytowej do innego podmiotu, mówi. Zaciemnianie danych medycznych przez kilka pierwszych etapów sieci neuronowej chroni je w ten sam sposób.

Testując to podejście w stosunku do innych, mających na celu zapewnienie bezpieczeństwa danych pacjentów, zespół badawczy odkrył, że rozdzielone sieci neuronowe wymagają znacznie mniej zasobów obliczeniowych do trenowania, a także tworzenia modeli o znacznie większej dokładności.

Ten post pierwotnie pojawił się w naszym biuletynie AI The Algorithm. Aby otrzymać go bezpośrednio do skrzynki odbiorczej, zapisz się tutaj za darmo.