211service.com
Un metodo di intelligenza artificiale poco noto può allenarsi sui tuoi dati sanitari senza minacciare la tua privacy
John Moore | Getty
Nel 2017 Google tranquillamente ha pubblicato un post sul blog su un nuovo approccio all'apprendimento automatico. A differenza del metodo standard, che richiede la centralizzazione dei dati in un unico luogo, quello nuovo potrebbe apprendere da una serie di origini dati distribuite su più dispositivi. L'invenzione ha permesso a Google di addestrare il suo modello di testo predittivo su tutti i messaggi inviati e ricevuti dagli utenti Android, senza mai leggerli o rimuoverli dai loro telefoni.
Nonostante la sua intelligenza, l'apprendimento federato, come lo chiamavano i ricercatori, all'epoca guadagnò poca forza all'interno della comunità dell'IA. Ora ciò è pronto a cambiare poiché trova applicazione in un'area completamente nuova: il suo approccio incentrato sulla privacy potrebbe benissimo essere la risposta al più grande ostacolo che deve affrontare l'adozione dell'IA nell'assistenza sanitaria oggi.
Esiste una falsa dicotomia tra la privacy dei dati dei pazienti e l'utilità dei dati per la società, afferma Ramesh Raskar, professore associato di informatica al MIT la cui ricerca si concentra sull'IA nella salute. Le persone non si rendono conto che la sabbia si sta spostando sotto i loro piedi e che ora possiamo effettivamente ottenere privacy e utilità allo stesso tempo.
Nell'ultimo decennio, la drammatica ascesa del deep learning ha portato a straordinarie trasformazioni in dozzine di settori. Ha alimentato la nostra ricerca di auto a guida autonoma, ha cambiato radicalmente il modo in cui interagiamo con i nostri dispositivi e reinventato il nostro approccio alla sicurezza informatica. Nell'assistenza sanitaria, tuttavia, nonostante molti studi dimostrino la sua promessa di rilevare e diagnosticare le malattie, i progressi nell'utilizzo del deep learning per aiutare i pazienti reali sono stati allettanti lenti.
Gli attuali algoritmi all'avanguardia richiedono enormi quantità di dati per essere appresi: nella maggior parte dei casi, più dati sono, meglio è. Gli ospedali e gli istituti di ricerca devono combinare le loro riserve di dati se desiderano un pool di dati sufficientemente ampio e diversificato da essere utile. Ma soprattutto negli Stati Uniti e nel Regno Unito, l'idea di centralizzare risme di informazioni mediche sensibili nelle mani di aziende tecnologiche si è ripetutamente e senza sorprese si è rivelata estremamente impopolare.
Di conseguenza, la ricerca sugli usi diagnostici dell'IA è rimasta ristretta in termini di portata e applicabilità. Non è possibile implementare un modello di rilevamento del cancro al seno in tutto il mondo quando è stato addestrato solo su poche migliaia di pazienti dello stesso ospedale.
Tutto questo potrebbe cambiare con l'apprendimento federato. La tecnica può addestrare un modello utilizzando i dati archiviati in più ospedali diversi senza che i dati lascino mai i locali di un ospedale o tocchino i server di un'azienda tecnologica. Lo fa prima addestrando modelli separati in ogni ospedale con i dati locali disponibili e quindi inviando quei modelli a un server centrale per essere combinati in un modello master. Man mano che ogni ospedale acquisisce più dati nel tempo, può scaricare l'ultimo modello master, aggiornarlo con i nuovi dati e rispedirlo al server centrale. Durante tutto il processo, i dati grezzi non vengono mai scambiati, solo i modelli, che non possono essere decodificati per rivelare quei dati.
Ci sono alcune sfide per l'apprendimento federato. Per uno, la combinazione di modelli separati rischia di creare un modello master che in realtà è peggiore di ciascuna delle sue parti. I ricercatori stanno ora lavorando per perfezionare le tecniche esistenti per assicurarsi che ciò non accada, afferma Raskar. Dall'altro, l'apprendimento federato richiede che ogni ospedale disponga dell'infrastruttura e delle capacità del personale per la formazione di modelli di apprendimento automatico. C'è anche attrito nella standardizzazione della raccolta dei dati in tutti gli ospedali. Ma queste sfide non sono insormontabili, afferma Raskar: è necessario fare più lavoro, ma è principalmente un lavoro di cerotto.
In effetti, altra privacy prima di tutto tecniche di apprendimento distribuito da allora sono sorti in risposta a queste sfide. Raskar e i suoi studenti, per esempio, ne hanno inventato uno chiamato split learning. Come nell'apprendimento federato, ogni ospedale inizia addestrando modelli separati, ma lo addestrano solo a metà. I modelli semicotti vengono quindi inviati al server centrale per essere combinati e terminare l'allenamento. Il vantaggio principale è che ciò allevierebbe parte del carico computazionale per gli ospedali. La tecnica è ancora principalmente un proof of concept, ma nei primi test, il team di ricerca di Raskar ha dimostrato di aver creato un modello master accurato quasi quanto sarebbe se fosse stato addestrato su un pool centralizzato di dati.
Alcune aziende, tra cui IBM Research, stanno ora lavorando sull'utilizzo dell'apprendimento federato per far progredire le applicazioni di intelligenza artificiale del mondo reale per l'assistenza sanitaria. Owkin, una startup con sede a Parigi supportato da Google Ventures , lo sta anche utilizzando per prevedere la resistenza dei pazienti a diversi trattamenti e farmaci, nonché i loro tassi di sopravvivenza con determinate malattie. L'azienda sta lavorando con diversi centri di ricerca sul cancro negli Stati Uniti e in Europa per utilizzare i loro dati per i suoi modelli. Le collaborazioni hanno già portato a un prossimo documento di ricerca, affermano i fondatori, su un nuovo modello che prevede le probabilità di sopravvivenza per una rara forma di cancro sulla base delle immagini patologiche di un paziente. Il documento farà un passo importante verso la convalida dei vantaggi di questa tecnica in un contesto reale.
Sono davvero entusiasta, dice il cofondatore di Owkin Thomas Clozel, un medico di ricerca clinica. La più grande barriera in oncologia oggi è la conoscenza. È davvero sorprendente che ora abbiamo il potere di estrarre quella conoscenza e fare scoperte rivoluzionarie mediche.
Raskar ritiene che le applicazioni dell'apprendimento distribuito potrebbero estendersi ben oltre l'assistenza sanitaria a qualsiasi settore in cui le persone non vogliono condividere i propri dati. In ambienti distribuiti e senza fiducia, questo sarà molto, molto potente in futuro, dice.
Questa storia è apparsa originariamente nella nostra newsletter AI The Algorithm. Per riceverlo direttamente nella tua casella di posta, registrati qui gratuitamente.