Aprendizaje federado: una terapia para lo que aflige a la salud digital - Calendae | Informática, Electrónica, CMS, Ciberseguridad

Aprendizaje federado: una terapia para lo que aflige a la salud digital

Hola, un placer verte por aquí. Soy Eduardo Arroyo y esta vez hablaremos sobre Aprendizaje federado: una terapia para lo que aflige a la salud digital

Aprendizaje federado: una terapia para lo que aflige a la salud digital

Los investigadores demuestran la promesa de Federated Learning de proteger la privacidad del paciente y mejorar los resultados de la atención médica en todo el mundo.

Para los investigadores y los médicos, las montañas de datos que contienen los hospitales y los sistemas de salud podrían ser una mina de oro para la inteligencia artificial y el aprendizaje automático, pero las preocupaciones y las regulaciones sobre la privacidad de los datos han impedido que los científicos exploten dichos datos. información para mejorar los resultados. Ahora, investigadores de Intel y la Facultad de Medicina de la Universidad de Pensilvania dicen que han encontrado una solución: el aprendizaje federado.

El aprendizaje federado no es nuevo. Google ideó el concepto para entrenar sus propios modelos de texto predictivo. G. Anthony Reina, de Intel, quien es el arquitecto jefe de inteligencia artificial de la compañía, explicó durante un seminario web reciente de Threatpost centrado en la ciberseguridad de la salud.

«Google pensó que no era realmente sensible a la privacidad si estaban enviando literalmente sus mensajes instantáneos a Google y haciendo que algunos científicos de Google leyeran todos sus mensajes instantáneos para averiguar qué se supone que debe hacer ese modelo», dijo Reina. “Entonces se les ocurrió este concepto de aprendizaje federado. Y la idea es que no vas a mover los datos a ninguna parte. Los datos residen donde residen en su móvil. «

El modelo de aprendizaje federado de Google pudo detectar cuándo el teléfono estaba conectado y en una conexión Wi-Fi y «entrenar una red neuronal en sus datos locales», continuó Reina. «Y voy a enviar el modelo, para que el modelo se mueva, no los datos».

Reina y otros sospecharon que el mismo concepto podría aplicarse a los datos de salud y permitir que los hospitales y los profesionales de la salud de todo el mundo se capaciten de manera colaborativa sin necesidad de acceso directo a los datos.

La idea es la misma que la del escenario de Google. El modelo se mueve en lugar de los datos.

«Y luego, básicamente, los patrones (en plural) regresan ahora a cada usuario con el que entrenaron y solo tienes que encontrar una manera de obtener un patrón de consenso único», dijo Reina.

Intel y la Facultad de Medicina de la Universidad de Pensilvania han colaborado para implementar la federación en 29 instituciones internacionales de salud e investigación para identificar tumores cerebrales, con resultados increíblemente prometedores.

Sus hallazgos sobre El aprendizaje federado y sus aplicaciones en el sector salud fueron publicados en la revista Nature y presentados en su evento Supercomputing 2020 la semana pasada.

Reina y su equipo pudieron entrenar un modelo de imágenes médicas para identificar tumores cerebrales con más de 99 por ciento de precisión de un modelo formado con el método tradicional. Según Intel, este avance podría conducir a un diagnóstico más temprano y mejores resultados para las más de 80.000 personas a las que se les diagnostica cáncer de cerebro cada año.

«Así que esto es literalmente una red neuronal, un modelo de aprendizaje profundo y un modelo de inteligencia artificial que está tomando resonancia magnética y tratando de imaginar si usted tiene un crayón y está tratando de colorear la sección que es el tumor, esta es la tumor cerebral «, explicó Reina. «Puede imaginarse lo importante que sería tener algo que etiquetemos solo las áreas de una resonancia magnética del cerebro donde vive el tumor».

La investigación publicada en Nature también ofreció varios ejemplos adicionales de cómo FL está mejorando los resultados de salud en este momento.

El aprendizaje federado se utiliza para escanear registros médicos electrónicos para encontrar pacientes con síntomas similares para predecir las visitas al hospital, la mortalidad, el tiempo hasta el inicio de la UCI y más. Según el informe de Nature, el aprendizaje federado también ha demostrado ser útil en imágenes médicas y resonancias magnéticas.

Además de diagnósticos más precisos, el aprendizaje federado promete mejorar la atención médica para todos, independientemente de la proximidad a las habilidades.

«Los pacientes generalmente son tratados localmente», dijo el informe. “Establecer FL a escala global podría garantizar decisiones clínicas de alta calidad independientemente del lugar del tratamiento. En particular, los pacientes que necesitan atención médica en áreas remotas podrían beneficiarse de los mismos diagnósticos asistidos por ML de alta calidad disponibles en hospitales con un gran número de casos. Lo mismo ocurre con las enfermedades raras o geográficamente poco comunes, que podrían tener consecuencias más leves si se pueden hacer diagnósticos más rápidos y precisos «.

Reina explicó que la recopilación extensa de datos, aunque no sea de la más alta calidad, es beneficiosa. Usó el ejemplo de elegir un salvavidas en la sección «¿Quién quiere ser millonario?»

“Existe un mantra de la ciencia de big data que dice que cuantos más datos obtienes, incluso si no son necesariamente datos excelentes, aprendes lo suficiente para lograrlo”, dijo Reina. «Es algo así como ‘¿Quién quiere ser millonario?’ Encuestas al público, e incluso si el público no es un experto, es el conocimiento colectivo del público, si miras las estadísticas, generalmente obtendrán la respuesta correcta, ¿por qué no? todo el mundo tiene que ser un experto. Puede obtener muchos malos predictores, juntarlos y realmente tendrá un súper predictor «.

La promesa del aprendizaje federado se seguirá investigando y mejorando durante la próxima década, concluye el documento.

«A pesar de esto, realmente creemos que su impacto potencial en la medicina de precisión y, en última instancia, en la mejora de la atención médica, es muy prometedor».

.

Deberías compartir en tus redes sociales para que tus colegas lo sepan

??? ? ? ???

Comparte