211service.com
Eine wenig bekannte KI-Methode kann Ihre Gesundheitsdaten trainieren, ohne Ihre Privatsphäre zu gefährden
John Moore | Getty
Im Jahr 2017 Google leise einen Blogbeitrag veröffentlicht über einen neuen Ansatz für maschinelles Lernen. Im Gegensatz zur Standardmethode, bei der die Daten an einem Ort zentralisiert werden müssen, könnte die neue Methode aus einer Reihe von Datenquellen lernen, die auf mehrere Geräte verteilt sind. Die Erfindung ermöglichte es Google, sein Vorhersagetextmodell auf alle von Android-Nutzern gesendeten und empfangenen Nachrichten zu trainieren – ohne sie jemals tatsächlich zu lesen oder von ihren Telefonen zu entfernen.
Trotz seiner Cleverness fand föderiertes Lernen, wie die Forscher es nannten, damals in der KI-Community wenig Anklang. Das wird sich nun ändern, da es in einem völlig neuen Bereich Anwendung findet: Der Ansatz, bei dem der Datenschutz an erster Stelle steht, könnte sehr wohl die Antwort auf das größte Hindernis sein, dem sich die Einführung von KI im Gesundheitswesen heute gegenübersieht.
Es gebe eine falsche Dichotomie zwischen der Vertraulichkeit von Patientendaten und dem Nutzen der Daten für die Gesellschaft, sagt Ramesh Raskar, ein außerordentlicher Professor für Informatik am MIT, dessen Forschung sich auf KI im Gesundheitswesen konzentriert. Die Menschen wissen nicht, dass sich der Sand unter ihren Füßen bewegt und dass wir jetzt tatsächlich Privatsphäre und Nutzen gleichzeitig erreichen können.
In den letzten zehn Jahren hat der dramatische Aufstieg von Deep Learning zu erstaunlichen Veränderungen in Dutzenden von Branchen geführt. Sie hat unser Streben nach selbstfahrenden Autos vorangetrieben, die Art und Weise, wie wir mit unseren Geräten interagieren, grundlegend verändert und unseren Ansatz zur Cybersicherheit neu erfunden. Im Gesundheitswesen waren die Fortschritte bei der Nutzung von Deep Learning, um echten Patienten zu helfen, trotz vieler Studien, die zeigen, dass es für die Erkennung und Diagnose von Krankheiten vielversprechend ist, verlockend langsam.
Aktuelle State-of-the-Art-Algorithmen erfordern zum Lernen immense Datenmengen – in den meisten Fällen gilt: Je mehr Daten, desto besser. Krankenhäuser und Forschungseinrichtungen müssen ihre Datenbestände bündeln, wenn sie einen Datenpool haben wollen, der groß und vielfältig genug ist, um nützlich zu sein. Aber insbesondere in den USA und Großbritannien hat sich die Idee, Unmengen sensibler medizinischer Informationen in den Händen von Technologieunternehmen zu zentralisieren, wiederholt – und wenig überraschend – als äußerst unpopulär erwiesen .
Infolgedessen ist die Forschung zu diagnostischen Anwendungen von KI in Umfang und Anwendbarkeit eng geblieben. Sie können ein Brustkrebserkennungsmodell nicht weltweit einsetzen, wenn es nur an einigen tausend Patienten aus demselben Krankenhaus trainiert wurde.
All dies könnte sich mit föderiertem Lernen ändern. Die Technik kann ein Modell mit Daten trainieren, die in mehreren verschiedenen Krankenhäusern gespeichert sind, ohne dass diese Daten jemals das Gelände eines Krankenhauses verlassen oder die Server eines Technologieunternehmens berühren. Dazu trainiert es zunächst separate Modelle in jedem Krankenhaus mit den verfügbaren lokalen Daten und sendet diese Modelle dann an einen zentralen Server, um sie zu einem Mastermodell zu kombinieren. Da jedes Krankenhaus im Laufe der Zeit mehr Daten erfasst, kann es das neueste Mastermodell herunterladen, es mit den neuen Daten aktualisieren und an den zentralen Server zurücksenden. Während des gesamten Prozesses werden niemals Rohdaten ausgetauscht, sondern nur die Modelle, die nicht rückentwickelt werden können, um diese Daten offenzulegen.
Es gibt einige Herausforderungen für föderiertes Lernen. Zum einen birgt die Kombination separater Modelle die Gefahr, dass ein Mastermodell entsteht, das tatsächlich schlechter ist als jeder seiner Teile. Forscher arbeiten jetzt daran, bestehende Techniken zu verfeinern, um sicherzustellen, dass dies nicht passiert, sagt Raskar. Zum anderen erfordert föderiertes Lernen, dass jedes Krankenhaus über die Infrastruktur und die personellen Kapazitäten verfügt, um Machine-Learning-Modelle zu trainieren. Es gibt auch Probleme bei der Standardisierung der Datenerfassung in allen Krankenhäusern. Aber diese Herausforderungen sind nicht unüberwindbar, sagt Raskar: Es muss noch mehr getan werden, aber es handelt sich hauptsächlich um Pflasterarbeiten.
In der Tat, andere Privatsphäre-zuerst Verteilte Lerntechniken sind inzwischen als Antwort auf diese Herausforderungen entstanden. Raskar und seine Schüler haben zum Beispiel kürzlich eine Methode namens Split Learning erfunden. Wie beim föderierten Lernen beginnt jedes Krankenhaus mit dem Training separater Modelle, aber sie trainieren es nur zur Hälfte. Die halbfertigen Modelle werden dann an den zentralen Server gesendet, um kombiniert zu werden und das Training abzuschließen. Der Hauptvorteil besteht darin, dass dies einen Teil der Rechenlast für die Krankenhäuser verringern würde. Die Technik ist immer noch hauptsächlich ein Machbarkeitsnachweis, aber in frühen Tests zeigte das Forschungsteam von Raskar, dass es ein Mastermodell erstellte, das fast so genau war, wie es wäre, wenn es auf einem zentralisierten Datenpool trainiert würde.
Eine Handvoll Unternehmen, darunter IBM Research, arbeiten derzeit daran, föderiertes Lernen zu nutzen, um reale KI-Anwendungen für das Gesundheitswesen voranzutreiben. Owkin, ein in Paris ansässiges Startup unterstützt von Google Ventures , verwendet es auch, um die Resistenz von Patienten gegen verschiedene Behandlungen und Medikamente sowie ihre Überlebensraten bei bestimmten Krankheiten vorherzusagen. Das Unternehmen arbeitet mit mehreren Krebsforschungszentren in den USA und Europa zusammen, um deren Daten für seine Modelle zu nutzen. Die Zusammenarbeit hat bereits zu einer bevorstehenden Forschungsarbeit geführt, sagen die Gründer, über ein neues Modell, das Überlebenschancen für eine seltene Form von Krebs auf der Grundlage von pathologischen Bildern eines Patienten vorhersagt. Das Papier wird einen großen Schritt in Richtung Validierung der Vorteile dieser Technik in einer realen Umgebung machen.
Ich bin wirklich aufgeregt, sagt Owkin-Mitbegründer Thomas Clozel, ein Arzt für klinische Forschung. Das größte Hindernis in der Onkologie ist heute Wissen. Es ist wirklich erstaunlich, dass wir jetzt in der Lage sind, dieses Wissen zu extrahieren und medizinische bahnbrechende Entdeckungen zu machen.
Raskar glaubt, dass sich die Anwendungen des verteilten Lernens auch weit über das Gesundheitswesen hinaus auf alle Branchen erstrecken könnten, in denen Menschen ihre Daten nicht teilen möchten. In verteilten, vertrauenswürdigen Umgebungen wird dies in Zukunft sehr, sehr leistungsfähig sein, sagt er.
Diese Geschichte erschien ursprünglich in unserem KI-Newsletter The Algorithm. Um es direkt in Ihren Posteingang geliefert zu bekommen, melden Sie sich hier kostenlos an.