Een nieuwe AI-methode kan trainen op medische dossiers zonder patiëntgegevens te onthullen

Categorie: Kunstmatige intelligentie Geplaatst 11 december

Toen Google aankondigde dat het de gezondheidsdivisie van DeepMind zou overnemen, veroorzaakte dit een grote controverse over gegevensprivacy. Hoewel DeepMind bevestigde dat de verhuizing niet echt onbewerkte patiëntgegevens aan Google zou overhandigen, alleen al het idee om een ​​techgigant intieme, identificerende medische dossiers te geven, maakte mensen misselijk. Dit probleem met het verkrijgen van veel hoogwaardige gegevens is het grootste obstakel geworden voor het toepassen van machine learning in de geneeskunde.

Om het probleem te omzeilen, zijn AI-onderzoekers vooruitgegaan nieuwe technieken voor het trainen van machine learning-modellen terwijl de gegevens vertrouwelijk blijven. De nieuwste methode , van MIT, wordt een gesplitst neuraal netwerk genoemd: het stelt één persoon in staat om een ​​deep learning-model te trainen en een andere persoon om het af te maken.

Het idee is dat ziekenhuizen en andere medische instellingen hun modellen gedeeltelijk kunnen trainen met de gegevens van hun patiënten lokaal, en vervolgens hun half getrainde model naar een centrale locatie kunnen sturen om de laatste fasen van de training samen met hun modellen te voltooien. De gecentraliseerde locatie, of dat nu de clouddiensten van Google of een ander bedrijf zijn, zou de ruwe patiëntgegevens nooit zien; ze zouden alleen de output van het halfbakken model zien plus het model zelf. Maar de ziekenhuizen zouden baat hebben bij een definitief model dat is getraind op een combinatie van de gegevens van elke deelnemende instelling.

Ramesh Raskar, universitair hoofddocent aan het MIT Media Lab en co-auteur van het artikel, vergelijkt dit proces met gegevensversleuteling. Alleen vanwege de versleuteling voel ik me op mijn gemak om mijn creditcardgegevens naar een andere entiteit te sturen, zegt hij. Het versluieren van medische gegevens tijdens de eerste paar stadia van een neuraal netwerk beschermt de gegevens op dezelfde manier.

Bij het testen van deze benadering ten opzichte van andere die ook zijn ontworpen om patiëntgegevens veilig te houden, ontdekte het onderzoeksteam dat gesplitste neurale netwerken aanzienlijk minder rekenbronnen nodig hebben om te trainen en ook modellen met een veel hogere nauwkeurigheid te produceren.

Dit bericht verscheen oorspronkelijk in onze AI-nieuwsbrief The Algorithm. Schrijf je hier gratis in om het direct in je inbox te krijgen.