Tin tức Vũ trụ TV

Phương pháp học máy mới cho phép các bệnh viện chia sẻ dữ liệu bệnh nhân – một cách riêng tư

Ngày:
Th7 29, 2020
Tóm lược:

Các nhà nghiên cứu đã chỉ ra rằng một phương pháp gọi là học tập liên kết là thành công trong bối cảnh chụp ảnh não, bằng cách có thể phân tích hình ảnh cộng hưởng từ (MRI) quét bệnh nhân khối u não và phân biệt mô não khỏe mạnh với các vùng ung thư.

Share:
CÂU CHUYỆN ĐẦY ĐỦ

Học tập liên kết - một cách tiếp cận đầu tiên được Google triển khai cho chức năng tự động sửa lỗi của bàn phím - đào tạo một thuật toán trên nhiều thiết bị phi tập trung giữ các mẫu dữ liệu cục bộ mà không cần trao đổi chúng. Các nhà nghiên cứu của Penn Medicine đã chỉ ra rằng kỹ thuật này thành công trong việc phân tích hình ảnh cộng hưởng từ (MRI) quét bệnh nhân khối u não để phân biệt mô não khỏe mạnh với các vùng ung thư.
Học tập liên kết – một cách tiếp cận đầu tiên được Google triển khai cho chức năng tự động sửa lỗi của bàn phím – đào tạo một thuật toán trên nhiều thiết bị phi tập trung giữ các mẫu dữ liệu cục bộ mà không cần trao đổi chúng. Các nhà nghiên cứu của Penn Medicine đã chỉ ra rằng kỹ thuật này thành công trong việc phân tích hình ảnh cộng hưởng từ (MRI) quét bệnh nhân khối u não để phân biệt mô não khỏe mạnh với các vùng ung thư.

Để trả lời các câu hỏi y tế có thể áp dụng cho nhiều bệnh nhân, các mô hình học máy dựa trên các bộ dữ liệu lớn, đa dạng từ nhiều tổ chức khác nhau. Tuy nhiên, các hệ thống y tế và bệnh viện thường chống lại việc chia sẻ dữ liệu bệnh nhân, do những thách thức về pháp lý, quyền riêng tư và văn hóa.

Theo một nghiên cứu được công bố vào thứ ba trên tạp chí Khoa học (Scientific Reports) do tác giả cao cấp Spyridon Bakas, Tiến sĩ, giảng viên của Khoa X quang và Bệnh học & Phòng thí nghiệm Y học tại Trường Y Perelman, dẫn đầu, một kỹ thuật mới nổi được gọi là học tập liên kết. Đại học Pennsylvania.

Học tập liên kết – một cách tiếp cận đầu tiên được Google triển khai cho chức năng tự động sửa lỗi của bàn phím – đào tạo một thuật toán trên nhiều thiết bị hoặc máy chủ phi tập trung giữ các mẫu dữ liệu cục bộ mà không cần trao đổi chúng. Mặc dù cách tiếp cận có khả năng có thể được sử dụng để trả lời nhiều câu hỏi y học khác nhau, các nhà nghiên cứu của Penn Medicine đã chỉ ra rằng học tập liên kết thành công đặc biệt trong bối cảnh hình ảnh não bộ, bằng cách có thể phân tích hình ảnh cộng hưởng từ (MRI) quét bệnh nhân khối u não và phân biệt mô não khỏe mạnh từ các khu vực ung thư.

Một mô hình được đào tạo tại Penn Medicine có thể được phân phối cho các bệnh viện trên khắp thế giới. Các bác sĩ sau đó có thể đào tạo trên mô hình được chia sẻ này, bằng cách đưa vào quét não bệnh nhân của chính họ. Mô hình mới của họ sau đó sẽ được chuyển đến một máy chủ tập trung. Các mô hình cuối cùng sẽ được điều chỉnh thành một mô hình đồng thuận có được kiến ​​thức từ mỗi bệnh viện, và do đó rất hữu ích về mặt lâm sàng.

“Càng nhiều dữ liệu mà mô hình tính toán nhìn thấy, nó càng tìm hiểu vấn đề tốt hơn và nó có thể giải quyết tốt hơn câu hỏi mà nó được thiết kế để trả lời,” Bakas giải thích. “Theo truyền thống, học máy đã sử dụng dữ liệu từ một tổ chức duy nhất, và sau đó rõ ràng là các mô hình đó không thực hiện hoặc khái quát tốt về dữ liệu từ các tổ chức khác.”

Mô hình học tập liên kết sẽ cần được Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ xác nhận và phê duyệt trước khi có thể được cấp phép và thương mại hóa như một công cụ lâm sàng cho các bác sĩ. Nhưng nếu và khi mô hình được thương mại hóa, nó sẽ giúp các bác sĩ X quang, bác sĩ ung thư và bác sĩ phẫu thuật thần kinh đưa ra quyết định quan trọng về chăm sóc bệnh nhân. Gần 80.000 người sẽ được chẩn đoán bị u não trong năm nay, theo Hiệp hội Ung thư não Hoa Kỳ.

Các nghiên cứu đã chỉ ra rằng, khi nói đến ranh giới khối u, không chỉ các bác sĩ khác nhau có thể có ý kiến ​​khác nhau, mà cùng một bác sĩ đánh giá cùng một lần quét có thể thấy định nghĩa ranh giới khối u khác nhau vào một ngày trong tuần so với ngày tiếp theo. Trí tuệ nhân tạo cho phép bác sĩ có thông tin chính xác hơn về nơi khối u kết thúc, ảnh hưởng trực tiếp đến việc điều trị và tiên lượng bệnh nhân.

Để kiểm tra hiệu quả của việc học liên kết và so sánh nó với các phương pháp học máy khác, Bakas đã hợp tác với các nhà nghiên cứu từ Trung tâm Ung thư MD Anderson của Đại học Texas, Đại học Washington và Trung tâm Ung thư Hillman tại Đại học Pittsburgh, trong khi Tập đoàn Intel đóng góp quyền riêng tư- bảo vệ phần mềm cho dự án.

Nghiên cứu bắt đầu với một mô hình được đào tạo trước về dữ liệu đa tổ chức từ kho lưu trữ nguồn mở được gọi là Phân đoạn khối u não quốc tế hay còn gọi là BraTS. BraTS hiện cung cấp một bộ dữ liệu bao gồm hơn 2.600 lần quét não được chụp bằng hình ảnh cộng hưởng từ (MRI) từ 660 bệnh nhân. Tiếp theo, 10 bệnh viện đã tham gia nghiên cứu bằng cách đào tạo các mô hình AI với dữ liệu bệnh nhân của riêng họ. Kỹ thuật học tập liên kết sau đó được sử dụng để tổng hợp dữ liệu và tạo ra mô hình đồng thuận.

Các nhà nghiên cứu đã so sánh việc học tập liên kết với các mô hình được đào tạo bởi các tổ chức duy nhất, cũng như các phương pháp học tập hợp tác khác. Hiệu quả của từng phương pháp được đo lường bằng cách kiểm tra chúng chống lại các bản quét được chú thích bằng tay bởi các nhà thần kinh học. Khi so sánh với một mô hình được đào tạo với dữ liệu tập trung không bảo vệ quyền riêng tư của bệnh nhân, học tập liên kết có thể thực hiện gần như (99 phần trăm) một cách giống hệt. Các phát hiện cũng chỉ ra rằng việc tăng quyền truy cập vào dữ liệu thông qua dữ liệu riêng tư, hợp tác đa tổ chức có thể mang lại lợi ích cho hiệu suất mô hình.

Những phát hiện từ nghiên cứu này đã mở đường cho sự hợp tác lớn hơn, đầy tham vọng giữa Penn Medicine, Intel và 30 tổ chức đối tác, được hỗ trợ bởi khoản tài trợ 1,2 triệu đô la từ Viện Ung thư Quốc gia thuộc Viện Y tế Quốc gia đã được trao cho Bakas trước đó Năm nay. Intel đã công bố vào tháng 5 rằng Bakas sẽ lãnh đạo dự án, trong đó 30 tổ chức trên chín quốc gia sẽ sử dụng phương pháp học tập liên kết để đào tạo mô hình AI đồng thuận về dữ liệu khối u não. Mục tiêu cuối cùng của dự án sẽ là tạo ra một công cụ nguồn mở cho bất kỳ bác sĩ lâm sàng nào tại bất kỳ bệnh viện nào sử dụng. Sự phát triển của công cụ trong Trung tâm tính toán & phân tích hình ảnh y sinh (CBICA) của Penn đang được dẫn dắt bởi nhà phát triển phần mềm cao cấp Sarthak Pati, MS.

Những phát hiện từ nghiên cứu này đã mở đường cho sự hợp tác lớn hơn, đầy tham vọng giữa Penn Medicine, Intel và 30 tổ chức đối tác

Đồng tác giả nghiên cứu Rivka Colen, MD, phó giáo sư X quang tại Đại học Y khoa Pittsburgh, cho biết bài báo này và dự án học tập liên kết lớn hơn mở ra khả năng sử dụng Trí tuệ nhân tạo nhiều hơn nữa trong chăm sóc sức khỏe.

“Tôi nghĩ đó là một thay đổi trò chơi lớn,” Colen nói. “Radiomics là để chụp X-quang những gì genomics là bệnh lý. AI sẽ cách mạng hóa lĩnh vực này, bởi vì, ngay bây giờ, với tư cách là một bác sĩ X quang, hầu hết những gì chúng ta làm là mô tả lớp hình ảnh số hóa. “

Các tác giả khác của bài báo này bao gồm: Micah J Sheller, Brandon Edwards G Anthony Reina, Jason Martin, Aikaterini Kotrotsou, Mikhail Milchenko, Weilin Xu và Daniel Marcus.


Nguồn truyện:

Tài liệu được cung cấp bởi Đại học Y Pennsylvania . Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.


Tạp chí tham khảo :

  1. Micah J. Sheller, Brandon Edwards, G. Anthony Reina, Jason Martin, Sarthak Pati, Aikaterini Kotrotsou, Mikhail Milunn, Weilin Xu, Daniel Marcus, Rivka R. Colen, Spyridon Bakas. Học tập liên kết trong y học: tạo điều kiện cho sự hợp tác đa tổ chức mà không chia sẻ dữ liệu bệnh nhân . Báo cáo khoa học , 2020; 10 (1) DOI: 10.1038 / s41598-020-69250-1

Bài viết liên quan

Bài viết mới