Intel Labs en alianza con la prestigiosa Facultad de Medicina Perelman, perteneciente a la Universidad de Pensilvania (conocida como Penn Medicine), han revelado las conclusiones más destacadas del estudio médico más amplio jamás realizado en torno al aprendizaje federado en medicina. Esta investigación conjunta está basada en la inteligencia artificial (IA) y el aprendizaje automático (ML), con el propósito de ayudar a las instituciones médicas y de investigación de todo el mundo a detectar tumores cerebrales malignos de manera más efectiva.
La publicación oficial de la investigación fue llevada a cabo en Comunicaciones de la Naturaleza. [automatic_youtube_gallery type="search" search="Intel y Penn Medicine llevan a cabo el estudio más grande de aprendizaje médico federado" cache="2419200" per_page="1" thumb_excerpt="0" player_description="0"]
Investigando a una escala sin igual
La investigación incluyó la colaboración de 71 instituciones presentes en seis continentes, y los datos obtenidos han demostrado un incremento en la precisión de la detección de tumores cerebrales en un imponente 33%, evidenciando un avance significante.
El líder de este proyecto, Jason Martin, es el ingeniero principal en Intel Labs.
«El aprendizaje federado ha demostrado tener un potencial enormemente transformador en varias esferas, especialmente en el ámbito de la atención sanitaria. Este potencial ha sido comprobado con nuestra colaboración con Penn Medicine», dijo Martin. «La habilidad de este sistema para proteger datos sensibles abre las posibilidades para futuros estudios y cooperación, especialmente en casos donde, de otra manera, los datasets serían inaccesibles. Nuestro proyecto junto a Penn Medicine tiene el potencial de beneficiar a pacientes alrededor del mundo y estamos emocionados por seguir adelante con los descubrimientos que promete el aprendizaje federado».
La lucha por el acceso a los datos en la salud
Dentro de las dificultades más notorias en la salud, el acceso a los datos es uno de los más relevantes. Las leyes locales e internacionales acerca de la privacidad de datos pueden ocasionar complicaciones en la realización de investigaciones médicas a gran escala, al tiempo que mantienen la integridad y privacidad de los datos del paciente. Gracias a la informática segura, los recursos de software y hardware de Intel destinados al aprendizaje federado, logran conciliar con las preocupaciones respecto a la privacidad de los datos y su integridad.
Los equipos de trabajo de las distintas instituciones procesaron grandes volúmenes de data en un sistema decentralizado posicionando la tecnología de aprendizaje federado de Intel junto a Intel Software Guard Extensions (SGX), facilitando la eliminación de barreras al intercambio de datos. Este sistema también tuvo en cuenta las inquietudes sobre la privacidad de los datos, manteniendo la data sin procesar dentro del ambiente seguro del núcleo de los titulares de los datos. Las actualizaciones se envían a un servidor central o agregador, sin embargo, los datos originales no pueden ser enviados.
Opiniones de los expertos
Rob Enderle, analista principal del conocido Enderle Group, ofreció su perspectiva sobre la investigación.
«Inclusive la mayor potencia de computación a nivel mundial no tendrá impacto sin suficientes datos para procesar», declaró Enderle. “Esta limitación para procesar los datos ya capitalizados ha retrasado de manera significativa los grandes avances médicos que promete la IA. Este estudio muestra la viabilidad y promesa del aprendizaje federado, posicionándolo como la herramienta más poderosa para combatir nuestras enfermedades más difíciles.”
Spyridon Bakas, PhD, es profesor asistente de Patología, Laboratorio de Medicina y Radiología en la Facultad de Medicina Perelman de la Universidad de Pensilvania.
«Este estudio demuestra el potencial impacto que el aprendizaje federado puede tener a la hora de realizar colaboraciones multiinstitucionales al permitir el acceso al dataset más extenso y diverso de pacientes con glioblastoma que jamás se haya considerado”, opina Bakas. «El acceso a datos incrementará la precisión de los modelos de aprendizaje automático, mejorando a su vez nuestra capacidad para comprender y tratar enfermedades raras, como es el caso del glioblastoma.»
Abriendo nuevos caminos en el aprendizaje federado
Para los investigadores, es uno de sus grandes retos el acceso a datasets médicos amplios para desarrollar nuevos tratamientos. No obstante, estas cantidades de datos generalmente sobrepasan la capacidad de una sola institución. Gracias a este nuevo estudio, los expertos están un paso más cerca de romper el aislamiento de datos multisite para impulsar el aprendizaje federado a mayor escala. Este tipo de avances podrían significar grandes beneficios para la medicina, como la detección temprana de enfermedades.