En ny AI-metode kan trene på medisinske journaler uten å avsløre pasientdata

Kategori: Kunstig intelligens Lagt ut 11. desember

Da Google kunngjorde at de ville absorbere DeepMinds helseavdeling, utløste det en stor kontrovers om personvern. Selv om DeepMind bekreftet at flyttingen faktisk ikke ville gi rå pasientdata til Google, gjorde bare ideen om å gi en teknologigigant intim, identifisere medisinske journaler folk kvalme. Dette problemet med å skaffe masse data av høy kvalitet har blitt den største hindringen for å bruke maskinlæring i medisin.

For å komme rundt problemet har AI-forskere gjort fremskritt nye teknikker for opplæring av maskinlæringsmodeller samtidig som dataene holdes konfidensielle. De siste metoden , fra MIT, kalles et delt nevralt nettverk: det lar en person begynne å trene en dyplæringsmodell og en annen person for å fullføre.

Tanken er at sykehus og andre medisinske institusjoner vil være i stand til å trene modellene sine halvveis med pasientens data lokalt, og deretter sende hver sin halvtrente modell til et sentralisert sted for å fullføre de siste stadiene av opplæringen med modellene sine sammen. Den sentraliserte plasseringen, enten det er skytjenestene til Google eller et annet selskap, ville aldri se de rå pasientdataene; de ville bare se resultatet av den halvbakte modellen pluss selve modellen. Men sykehusene vil dra nytte av en endelig modell trent på en kombinasjon av hver deltakende institusjons data.

Ramesh Raskar, en førsteamanuensis ved MIT Media Lab og en medforfatter av papiret, sammenligner denne prosessen med datakryptering. Bare på grunn av kryptering føler jeg meg komfortabel med å sende kredittkortdataene mine til en annen enhet, sier han. Tilsløring av medisinske data gjennom de første stadiene av et nevralt nettverk beskytter dataene på samme måte.

Ved å teste denne tilnærmingen fremfor andre som også er designet for å holde pasientdata trygge, fant forskerteamet at delte nevrale nettverk krever betydelig færre beregningsressurser for å trene og også produsere modeller med mye høyere nøyaktighet.

Dette innlegget dukket opprinnelig opp i vårt AI-nyhetsbrev The Algorithm. For å få den levert direkte til innboksen din, abonner her gratis.