Une nouvelle méthode d’apprentissage automatique permet aux hôpitaux de partager les données des patients – en privé – Technoguide

Pour répondre à des questions médicales pouvant être appliquées à une large population de patients, les modèles d’apprentissage automatique s’appuient sur des ensembles de données vastes et diversifiés provenant de diverses institutions. Cependant, les systèmes de santé et les hôpitaux sont souvent réticents au partage des données des patients, en raison de problèmes juridiques, de protection de la vie privée et culturels.

Une technique émergente appelée apprentissage fédéré est une solution à ce dilemme, selon une étude publiée mardi dans la revue Scientific Reports, dirigée par l’auteur principal Spyridon Bakas, PhD, instructeur de radiologie et pathologie et médecine de laboratoire à la Perelman School of Medicine à l’Université de Pennsylvanie.

L’apprentissage fédéré – une approche d’abord mise en œuvre par Google pour la fonctionnalité de correction automatique des claviers – entraîne un algorithme sur plusieurs appareils ou serveurs décentralisés contenant des échantillons de données locaux, sans les échanger. Alors que l’approche pourrait potentiellement être utilisée pour répondre à de nombreuses questions médicales différentes, les chercheurs de Penn Medicine ont montré que l’apprentissage fédéré réussit spécifiquement dans le contexte de l’imagerie cérébrale, en étant capable d’analyser les scans d’imagerie par résonance magnétique (IRM) de patients atteints de tumeurs cérébrales et de distinguer tissu cérébral sain des régions cancéreuses.

Un modèle formé à Penn Medicine, par exemple, peut être distribué dans les hôpitaux du monde entier. Les médecins peuvent ensuite s’entraîner sur ce modèle partagé, en saisissant leurs propres scanners cérébraux de patients. Leur nouveau modèle sera ensuite transféré sur un serveur centralisé. Les modèles seront finalement réconciliés dans un modèle consensuel qui a acquis des connaissances de chacun des hôpitaux et qui est donc cliniquement utile.

“Plus le modèle de calcul voit de données, mieux il apprend le problème et mieux il peut répondre à la question à laquelle il a été conçu pour répondre”, a déclaré Bakas. “Traditionnellement, l’apprentissage automatique a utilisé les données d’une seule institution, puis il est devenu évident que ces modèles ne fonctionnent pas ou ne se généralisent pas bien sur les données d’autres institutions.”

Le modèle d’apprentissage fédéré devra être validé et approuvé par la Food and Drug Administration des États-Unis avant de pouvoir être autorisé et commercialisé en tant qu’outil clinique pour les médecins. Mais si et quand le modèle est commercialisé, cela aiderait les radiologues, les radio-oncologues et les neurochirurgiens à prendre des décisions importantes concernant les soins aux patients, a déclaré Bakas. Près de 80 000 personnes recevront un diagnostic de tumeur au cerveau cette année, selon l’American Brain Tumor Association.

«Des études ont montré qu’en ce qui concerne les limites de la tumeur, non seulement différents médecins peuvent avoir des opinions différentes, mais le même médecin évaluant la même analyse peut voir une définition différente des limites de la tumeur un jour de la semaine par rapport au suivant», a-t-il déclaré. “L’intelligence artificielle permet à un médecin d’avoir des informations plus précises sur la fin d’une tumeur, ce qui affecte directement le traitement et le pronostic d’un patient.”

Pour tester l’efficacité de l’apprentissage fédéré et la comparer à d’autres méthodes d’apprentissage automatique, Bakas a collaboré avec des chercheurs de l’Université du Texas MD Anderson Cancer Center, de l’Université de Washington et du Hillman Cancer Center de l’Université de Pittsburgh, tandis qu’Intel Corporation a contribué à la confidentialité. protéger le logiciel du projet.

L’étude a commencé avec un modèle qui a été pré-formé sur des données multi-institutionnelles à partir d’un référentiel open-source connu sous le nom de défi international de segmentation des tumeurs cérébrales, ou BraTS. BraTS fournit actuellement un ensemble de données qui comprend plus de 2600 scintigraphies cérébrales capturées par imagerie par résonance magnétique (IRM) de 660 patients. Ensuite, 10 hôpitaux ont participé à l’étude en formant des modèles d’IA avec leurs propres données sur les patients. La technique d’apprentissage fédéré a ensuite été utilisée pour agréger les données et créer le modèle de consensus.

Les chercheurs ont comparé l’apprentissage fédéré à des modèles formés par des institutions uniques, ainsi qu’à d’autres approches d’apprentissage collaboratif. L’efficacité de chaque méthode a été mesurée en les testant par rapport à des scans annotés manuellement par des neurologues. Comparé à un modèle formé avec des données centralisées qui ne protégeait pas la vie privée des patients, l’apprentissage fédéré était capable de fonctionner presque (99%) de manière identique. Les résultats ont également indiqué qu’un accès accru aux données grâce à des collaborations privées et multi-institutionnelles peut améliorer la performance du modèle.

Les résultats de cette étude ont ouvert la voie à une collaboration beaucoup plus large et ambitieuse entre Penn Medicine, Intel et 30 institutions partenaires, soutenue par une subvention de 1,2 million de dollars du National Cancer Institute des National Institutes of Health qui a été accordée plus tôt à Bakas. cette année. Intel a annoncé en mai que Bakas dirigera le projet, dans lequel les 30 institutions, dans neuf pays, utiliseront l’approche d’apprentissage fédéré pour former un modèle d’IA consensuel sur les données sur les tumeurs cérébrales. Le but final du projet sera de créer un outil open source que tout clinicien de n’importe quel hôpital pourra utiliser. Le développement de l’outil au Penn’s Center for Biomedical Image Computing & Analytics (CBICA) est dirigé par le développeur principal de logiciels Sarthak Pati, MS.

Le co-auteur de l’étude Rivka Colen, MD, professeur agrégé de radiologie à la faculté de médecine de l’Université de Pittsburgh, a déclaré que cet article et le projet d’apprentissage fédéré plus large ouvraient des possibilités pour encore plus d’utilisations de l’intelligence artificielle dans les soins de santé.

“Je pense que cela change énormément la donne”, a déclaré Colen. “La radiomique est à la radiologie ce que la génomique était à la pathologie. L’IA va révolutionner ce domaine, car, pour le moment, en tant que radiologue, la plupart de ce que nous faisons est descriptif. Grâce à l’apprentissage en profondeur, nous sommes en mesure d’extraire des informations qui y sont cachées. couche d’images numérisées. “

Les autres auteurs de cet article sont: Micah J Sheller, Brandon Edwards G. Anthony Reina, Jason Martin, Aikaterini Kotrotsou, Mikhail Milchenko, Weilin Xu et Daniel Marcus.

.

Lire plus

A propos Technoguide

Voir aussi

Des simulations révèlent comment la souche dominante du SRAS-CoV-2 se lie à l’hôte et succombe aux anticorps – Technoguide

Des simulations de supercalculateurs à grande échelle au niveau atomique montrent que la variante de …

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Défiler vers le haut