Eine neue KI-Methode kann auf Krankenakten trainieren, ohne Patientendaten preiszugeben

Kategorie: Künstliche Intelligenz Gesendet 11. Dez

Als Google ankündigte, die Gesundheitssparte von DeepMind zu übernehmen, löste dies eine große Kontroverse um den Datenschutz aus. Obwohl DeepMind bestätigte, dass der Umzug nicht wirklich rohe Patientendaten an Google weitergeben würde, verursachte allein die Idee, einem Technologieriesen intime, identifizierende Krankenakten zu geben, den Leuten ein mulmiges Gefühl. Dieses Problem, viele qualitativ hochwertige Daten zu erhalten, ist zum größten Hindernis für die Anwendung von maschinellem Lernen in der Medizin geworden.

Um das Problem zu umgehen, haben KI-Forscher Fortschritte gemacht neue Techniken zum Trainieren von Machine-Learning-Modellen unter Wahrung der Vertraulichkeit der Daten. Der neueste Methode , vom MIT, wird als geteiltes neuronales Netzwerk bezeichnet: Es ermöglicht einer Person, mit dem Training eines Deep-Learning-Modells zu beginnen, und einer anderen Person, es abzuschließen.

Die Idee ist, dass Krankenhäuser und andere medizinische Einrichtungen in der Lage wären, ihre Modelle teilweise mit den Daten ihrer Patienten lokal zu trainieren und dann jeweils ihr halb trainiertes Modell an einen zentralen Ort zu senden, um die letzten Phasen des Trainings mit ihren Modellen gemeinsam abzuschließen. Der zentrale Standort, seien es die Cloud-Dienste von Google oder einem anderen Unternehmen, würde niemals die rohen Patientendaten sehen; Sie würden nur die Ausgabe des unausgegorenen Modells plus das Modell selbst sehen. Die Krankenhäuser würden jedoch von einem endgültigen Modell profitieren, das auf einer Kombination der Daten aller teilnehmenden Einrichtungen trainiert wurde.

Ramesh Raskar, außerordentlicher Professor am MIT Media Lab und Mitautor des Artikels, vergleicht diesen Prozess mit Datenverschlüsselung. Nur wegen der Verschlüsselung fühle ich mich wohl dabei, meine Kreditkartendaten an eine andere Stelle zu senden, sagt er. Die Verschleierung medizinischer Daten in den ersten Phasen eines neuronalen Netzes schützt die Daten auf die gleiche Weise.

Beim Testen dieses Ansatzes im Vergleich zu anderen, die ebenfalls darauf ausgelegt sind, Patientendaten zu schützen, stellte das Forschungsteam fest, dass geteilte neuronale Netze erheblich weniger Rechenressourcen zum Trainieren benötigen und auch Modelle mit viel höherer Genauigkeit erstellen.

Dieser Beitrag erschien ursprünglich in unserem KI-Newsletter The Algorithm. Um es direkt in Ihren Posteingang geliefert zu bekommen, abonnieren Sie es hier kostenlos.