En ny AI-metod kan träna på journaler utan att avslöja patientdata

Kategori: Artificiell intelligens Postad 11 dec

När Google tillkännagav att de skulle absorbera DeepMinds hälsoavdelning väckte det en stor kontrovers om datasekretess. Även om DeepMind bekräftade att flytten faktiskt inte skulle lämna rå patientdata till Google, gjorde bara tanken på att ge en teknikjätte intim, identifiera medicinska journaler människor illamående. Detta problem med att få massor av högkvalitativ data har blivit det största hindret för att tillämpa maskininlärning inom medicin.

För att komma runt problemet har AI-forskare gått framåt nya tekniker för att träna maskininlärningsmodeller samtidigt som data hålls konfidentiella. De senaste metoden , från MIT, kallas ett delat neuralt nätverk: det tillåter en person att börja träna en djupinlärningsmodell och en annan person att avsluta.

Tanken är att sjukhus och andra medicinska institutioner skulle kunna träna sina modeller halvvägs med sina patienters data lokalt, och sedan skicka var och en sin halvtränade modell till en centraliserad plats för att slutföra de sista stegen av träningen med sina modeller tillsammans. Den centraliserade platsen, oavsett om det är Googles molntjänster eller ett annat företag, skulle aldrig se rå patientdata; de skulle bara se resultatet av den halvdana modellen plus själva modellen. Men sjukhusen skulle dra nytta av en slutlig modell utbildad på en kombination av varje deltagande institutions data.

Ramesh Raskar, docent vid MIT Media Lab och medförfattare till tidningen, liknar denna process med datakryptering. Bara på grund av kryptering känner jag mig bekväm med att skicka mina kreditkortsuppgifter till en annan enhet, säger han. Att fördunkla medicinska data genom de första stegen av ett neuralt nätverk skyddar data på samma sätt.

Genom att testa detta tillvägagångssätt framför andra som också utformats för att hålla patientdata säker, fann forskargruppen att delade neurala nätverk kräver betydligt färre beräkningsresurser för att träna och även producera modeller med mycket högre noggrannhet.

Det här inlägget dök ursprungligen upp i vårt AI-nyhetsbrev The Algorithm. För att få det levererat direkt till din inkorg, prenumerera här gratis.