Hur AI kunde rädda liv utan att spilla medicinska hemligheter

En konceptuell illustration av AI och säkerhet Ariel Davis

Potentialen för artificiell intelligens att förändra hälso- och sjukvården är enorm, men det finns en stor hake.

AI-algoritmer kommer att behöva stora mängder medicinsk data att träna på innan maskininlärning kan leverera kraftfulla nya sätt att upptäcka och förstå orsaken till sjukdomen. Det betyder bilder, genomisk information eller elektroniska hälsojournaler - alla potentiellt mycket känslig information.

Det är därför som forskare arbetar på sätt att låta AI lära sig av stora mängder medicinsk data samtidigt som det gör det väldigt svårt för dessa data att läcka.

Ett lovande tillvägagångssätt får nu sitt första stora test vid Stanford Medical School i Kalifornien. Patienter där kan välja att bidra med sina medicinska data till ett AI-system som kan tränas för att diagnostisera ögonsjukdom utan att någonsin komma åt deras personliga uppgifter.

Deltagarna lämnar in oftalmologiska testresultat och journaldata genom en app . Informationen används för att träna en maskininlärningsmodell för att identifiera tecken på ögonsjukdom (som diabetisk retinopati och glaukom) i bilderna. Men datan är skyddad av teknik utvecklad av Oasis Labs, en startup baserad på UC Berkeley, som garanterar att informationen inte kan läcka eller missbrukas. Startupen fick tillstånd av Stanford Medical School att starta försöket förra veckan, i samarbete med forskare vid UC Berkeley, Stanford och ETH Zürich

Känsligheten hos privata patientdata är ett hotande problem. AI-algoritmer tränade på data från olika sjukhus kan potentiellt diagnostisera sjukdom, förebygga sjukdomar och förlänga liv. Men i många länder kan medicinska journaler inte enkelt delas och matas till dessa algoritmer av juridiska skäl. Forskning om att använda AI för att upptäcka sjukdomar i medicinska bilder eller data involverar vanligtvis relativt små datamängder, vilket i hög grad begränsar teknikens löfte.

Det är väldigt spännande att kunna göra med det här med riktiga kliniska data, säger Dawn Song , medgrundare av Oasis Labs och professor vid UC Berkeley. Vi kan verkligen visa att det här fungerar.

Oasis lagrar den privata patientdatan på ett säkert chip, designat i samarbete med andra forskare vid Berkeley. Datan finns kvar inom Oasis-molnet; utomstående kan köra algoritmer på data och ta emot resultaten utan att de någonsin lämnar systemet. Ett smart kontrakt - programvara som körs ovanpå en blockchain - utlöses när en begäran om att få tillgång till data tas emot. Denna programvara loggar hur data användes och kontrollerar även att maskininlärningsberäkningen utfördes korrekt.

Detta kommer att visa att vi kan hjälpa patienter att bidra med data på ett integritetsskyddande sätt, säger Song. Hon säger att ögonsjukdomsmodellen kommer att bli mer exakt i takt med att mer data samlas in.

Sådan teknik kan också göra det enklare att tillämpa AI på annan känslig information, såsom ekonomiska uppgifter eller individers köpvanor eller webbläsardata. Song säger att planen är att utöka de medicinska tillämpningarna innan man ser till andra domäner.

Hela idén om att göra beräkningar samtidigt som man håller data hemlig är otroligt kraftfull, säger man David Evans , som är specialiserad på maskininlärning och säkerhet vid University of Virginia. När den tillämpas på till exempel sjukhus och patientpopulationer, kan maskininlärning låsa upp helt nya sätt att koppla sjukdom till genomik, testresultat och annan patientinformation.

Du skulle älska det om en medicinsk forskare kunde lära sig om allas medicinska journaler, säger Evans. Du kan göra en analys och berätta om ett läkemedel inte fungerar på. Men det kan du inte göra idag.

Trots den potential Oasis representerar är Evans försiktig. Att lagra data i säker hårdvara skapar en potentiell felpunkt, konstaterar han. Om företaget som tillverkar hårdvaran äventyras kommer all data som hanteras på detta sätt också att vara sårbar. Blockkedjor är relativt oprövade, tillägger han.

Det finns många olika tekniker som möts, säger han om Oasis tillvägagångssätt. Vissa är mogna och andra är banbrytande och har utmaningar.

Dölj