數(shù)字醫(yī)學正在開辟全新的可能性。例如，它可以在早期發(fā)現(xiàn)腫瘤。但是新的AI算法的有效性取決于用于訓練它們的數(shù)據(jù)的數(shù)量和質(zhì)量。
為了最大化數(shù)據(jù)池，習慣上是通過將數(shù)據(jù)庫的副本發(fā)送到正在訓練算法的診所來在診所之間共享患者數(shù)據(jù)。為了保護數(shù)據(jù)，該材料通常會進行匿名化和假名化處理-這一過程也受到批評。TUM的醫(yī)療保健和醫(yī)學人工智能教授Alexander von Humboldt的Daniel Rueckert說：“在保護患者的健康數(shù)據(jù)方面，這些過程通常被證明是不足的。”
智能算法支持醫(yī)生
為了解決這個問題，TUM的一個跨學科團隊與倫敦帝國學院和非營利性組織OpenMined的研究人員合作，為放射線圖像數(shù)據(jù)開發(fā)了基于AI的診斷過程的獨特組合，以保護數(shù)據(jù)隱私。在《自然機器智能》上發(fā)表的一篇論文中，該團隊現(xiàn)在已經(jīng)提出了一個成功的應用：一種深度學習算法，可以對兒童X射線中的狀況進行分類。
“我們已經(jīng)針對專業(yè)的放射科醫(yī)生對我們的模型進行了測試。在某些情況下，該模型在診斷兒童各種類型的中顯示出可比或更高的準確性，”該中心診斷與介入放射學系主任Marcus R. Makowski教授說。 TUM的Klinikum rechts der Isar。
數(shù)據(jù)保留在現(xiàn)場
TUM醫(yī)學信息學，統(tǒng)計學和流行病學研究所的項目負責人和第一作者Georgios Kaissis說：“為了確?；颊邤?shù)據(jù)的安全，絕不應該離開收集它的診所。”“對于我們的算法，我們使用聯(lián)邦學習，其中深度學習算法是共享的，而不是數(shù)據(jù)。我們的模型是使用本地數(shù)據(jù)在各個醫(yī)院進行訓練的，然后返回給我們。因此，數(shù)據(jù)所有者不必共享他們的數(shù)據(jù)并保留完全的控制權。”放射學研究所的第一作者亞歷山大·齊勒(Alexander Ziller)說。
數(shù)據(jù)無法追溯到個人
為了防止確定訓練過算法的機構，該團隊應用了另一種技術：安全聚合。Kaissis說：“我們以加密的形式組合了這些算法，只有在對所有參與機構的數(shù)據(jù)進行了訓練之后，才將它們解密。為了確保“差異隱私”(即防止將單個患者數(shù)據(jù)從數(shù)據(jù)記錄中過濾掉)，研究人員在訓練算法時使用了第三種技術。Kaissis說：“最終，可以從數(shù)據(jù)記錄中提取統(tǒng)計相關性，但不能從個人的貢獻中提取統(tǒng)計相關性。”
標簽： 醫(yī)學診斷算法
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！