211service.com
Hoe AI levens kan redden zonder medische geheimen vrij te geven
Een conceptuele illustratie van AI en beveiliging Ariel Davis
Het potentieel voor kunstmatige intelligentie om de gezondheidszorg te transformeren is enorm, maar er is een grote vangst.
AI-algoritmen hebben enorme hoeveelheden medische gegevens nodig om op te trainen voordat machine learning krachtige nieuwe manieren kan bieden om de oorzaak van ziekten te herkennen en te begrijpen. Dat betekent beeldmateriaal, genomische informatie of elektronische medische dossiers - allemaal potentieel zeer gevoelige informatie.
Daarom werken onderzoekers aan manieren om AI te laten leren van grote hoeveelheden medische gegevens, terwijl het lekken van die gegevens erg moeilijk wordt gemaakt.
Een veelbelovende aanpak krijgt nu zijn eerste grote test aan de Stanford Medical School in Californië. Patiënten daar kunnen ervoor kiezen om hun medische gegevens bij te dragen aan een AI-systeem dat kan worden getraind om oogaandoeningen te diagnosticeren zonder ooit daadwerkelijk toegang te krijgen tot hun persoonlijke gegevens.
Deelnemers dienen oogheelkundige testresultaten en gezondheidsdossiergegevens in via: een app . De informatie wordt gebruikt om een machine learning-model te trainen om tekenen van oogziekte (zoals diabetische retinopathie en glaucoom) in de beelden te identificeren. Maar de gegevens worden beschermd door technologie die is ontwikkeld door Oasis Labs, een startup voortgekomen uit UC Berkeley, die garandeert dat de informatie niet kan worden gelekt of misbruikt. De startup kreeg vorige week toestemming van Stanford Medical School om de proef te starten, in samenwerking met onderzoekers van UC Berkeley, Stanford en ETH Zürich
De gevoeligheid van persoonlijke patiëntgegevens is een dreigend probleem. AI-algoritmen die zijn getraind op gegevens van verschillende ziekenhuizen kunnen mogelijk ziekten diagnosticeren, ziekten voorkomen en levens verlengen. Maar in veel landen kunnen medische dossiers om juridische redenen niet gemakkelijk worden gedeeld en ingevoerd in deze algoritmen. Onderzoek naar het gebruik van AI om ziekten in medische beelden of gegevens op te sporen, omvat meestal relatief kleine datasets, wat de belofte van de technologie enorm beperkt.
Het is heel spannend om dit te kunnen doen met echte klinische gegevens, zegt Dageraad lied , medeoprichter van Oasis Labs en professor aan UC Berkeley. We kunnen echt laten zien dat dit werkt.
Oasis bewaart de privé patiëntgegevens op een beveiligde chip, ontworpen in samenwerking met andere onderzoekers van Berkeley. De data blijft binnen de Oasis cloud; buitenstaanders kunnen algoritmen op de gegevens uitvoeren en de resultaten ontvangen zonder het systeem ooit te verlaten. Een slim contract - software die bovenop een blockchain draait - wordt geactiveerd wanneer een verzoek om toegang tot de gegevens wordt ontvangen. Deze software registreert hoe de gegevens zijn gebruikt en controleert ook of de machine learning-berekening correct is uitgevoerd.
Dit laat zien dat we patiënten kunnen helpen gegevens aan te dragen op een privacybeschermende manier, zegt Song. Ze zegt dat het oogziektemodel nauwkeuriger zal worden naarmate er meer gegevens worden verzameld.
Dergelijke technologie zou het ook gemakkelijker kunnen maken om AI toe te passen op andere gevoelige informatie, zoals financiële gegevens of koopgedrag van individuen of gegevens over het surfen op het web. Song zegt dat het plan is om de medische toepassingen uit te breiden voordat we naar andere domeinen gaan kijken.
Het hele idee om berekeningen uit te voeren en gegevens geheim te houden, is ongelooflijk krachtig, zegt David Evans , die gespecialiseerd is in machine learning en beveiliging aan de Universiteit van Virginia. Wanneer machine learning bijvoorbeeld wordt toegepast in ziekenhuizen en patiëntenpopulaties, kan dit volledig nieuwe manieren ontsluiten om ziekte te koppelen aan genomica, testresultaten en andere patiëntinformatie.
Je zou het geweldig vinden als een medisch onderzoeker zou kunnen leren van ieders medische dossiers, zegt Evans. Je zou een analyse kunnen doen en zien of een medicijn niet werkt. Maar dat kun je vandaag niet doen.
Ondanks het potentieel dat Oasis vertegenwoordigt, is Evans voorzichtig. Het opslaan van gegevens in beveiligde hardware creëert een potentieel storingspunt, merkt hij op. Als het bedrijf dat de hardware maakt, wordt gecompromitteerd, zijn alle gegevens die op deze manier worden verwerkt ook kwetsbaar. Blockchains zijn relatief onbewezen, voegt hij eraan toe.
Er komen veel verschillende technologieën bij elkaar, zegt hij over de aanpak van Oasis. Sommige zijn volwassen, andere zijn hypermodern en hebben uitdagingen.