کاربرد استفاده از تکنیک یادگیری مشارکتی مبتنی بر هوش مصنوعی در پزشکی

محققان دانشگاه Penn Medicine در حال مطالعه مدلهای جدید هوش مصنوعی (AI) با استفاده از یادگیری مشارکتی برای بهبود در نحوه تشخیص و درمان تومورهای مغزی هستند.

Federated learning یک تکنیک یادگیری ماشین است که یک الگوریتم را در چندین دستگاه لبه (edge) غیرمتمرکز یا سرورهایی محلی ، بدون تبادل داده بین آنها آنها، آموزش می‌دهد.

حریم خصوصی یکی از مهمترین مواردی است که در زمینه یادگیری مبتنی بر هوش مصنوعی (AI) باید در اولویت قرار داشته باشد. در یک دنیای ایده‌آل مقادیر انبوهی از داده‌ها نظیر اسکن‌های پزشکی می‌توانند به صورت آشکار در سراسر جهان به اشتراک گذاشته شوند تا الگوریتم‌های یادگیری ماشین بتوانند از طیف گسترده‌ای از مجموعه داده‌ها تجربه کسب کنند. هرچه داده‌های بیشتری به اشتراک گذاشته شوند، نتایج بهتر می‌شوند. این اتفاق در حال حاضر دنیای پزشکی که حریم شخصی در آن مهم است، رخ نمی‌دهد.

محققان معتقدند تغییر در نحوه مدیریت داده‌ها می‌تواند به اطلاعات بیشتری اجازه دهد تا به الگوریتم‌های یادگیری در خارج از یک مؤسسه واحد برسند و به نفع کل سیستم باشد. محققان دانشگاه Penn Medicine استفاده از تکنیکی بنام Federated learning را پیشنهاد می‌کنند که به کاربران امکان می‌دهد الگوریتمی را در چندین منبع داده غیرمتمرکز آموزش دهند بدون اینکه مجبور باشند مجموعه‌های از داده‌ها را تبادل کنند.

این تکنیک با آموزش یک الگوریتم در بسیاری از دستگاه‌های لبه غیرمتمرکز کار می‌کند و مخالف آنالیز داده‌های آپلود شده در یک سرور است.

Spyridon Bakas مربی دانشکده پزشکی Perelman در دانشگاه پنسیلوانیا در رابطه می‌گوید: "هرچه داده‌های مدل محاسباتی بیشتر باشد، این مسئله را بهتر می‌آموزد و بهتر می‌تواند به سؤالی که از آن پرسیده شده پاسخ دهد. در بیانیه مطبوعاتی باکاس نویسنده اصلی پژوهشی در مورد استفاده از تکنیک Federated learning در پزشکی آمده است که به طور سنتی ، یادگیری ماشین از داده‌های یک واحد استفاده می‌کند و به صورت ترکیبی عمل نمی‌کند و آن را تعمیم نمی‌دهد."

مطالعه پزشکی Penn بر پایه استفاده از تکنیک Federated learning برای طراحی سیستم هوش مصنوعی متمرکز است که به پزشکان کمک می‌کند با به اشتراک گذاشتن MRI های مغز، تومورهای مغزی را بهتر شناسایی و درمان کنند.

در حال حاضر مسئله به گفته محققان این است که تمام داده‌های نمونه توسط مؤسسه‌ای که آن را جمع‌آوری کرده است به صورت خصوصی نگهداری می‌شود. محلی که یک مدل ایجاد می‌شود، توسط آن مؤسسه تجزیه‌وتحلیل می‌شود سپس می‌توان هر مدل را توسط مؤسسات دیگر به کار برد اما ایده‌آل نیست زیرا سناریوهای محلی باهم متفاوت هستند.

یک روش بهتر برای انجام این کار، استفاده از تکنیک Federated learning بر پایه هوش مصنوعی (AI) استکه یک مدل به عنوان مثال تشخیص تومور مغزی ایجاد می‌شود سپس این مدل در سطح جهانی با بیمارستان‌ها به اشتراک گذاشته می‌شود. به جای اشتراک اطلاعات در بین مؤسسات، الگوی آموزش بین مؤسسات مختلف توزیع می‌شود.

وی ادامه می‌گوید به‌عنوان‌مثال ، مدلی که در Penn Medicine آموزش دیده است، می‌تواند در بیمارستان‌های سراسر جهان توزیع شود. پزشکان می‌توانند با وارد کردن اسکن مغزی بیمار خود، این مدل مشترک آموزش دهند. مدل جدید آنها سپس به یک سرور متمرکز منتقل می‌شود. این مدل‌ها سرانجام در یک مدل اجماع شده برای هر بیمارستان ذخیره خواهند شد و بنابراین از نظر بالینی مفید هستند."

به طور قطع، بیمارستانهای سراسر جهان می‌توانند در محافظت از داده‌های بیمار مشاركت كنند که باعث کاهش نگرانی‌های مربوط به حریم خصوصی می‌شودد و قانونگذاران با آن موافق هستند.

محققان معتقدند Federated Learning که به عنوان یادگیری مشارکتی نیز شناخته می‌شود ، موج بعدی هوش مصنوعی (AI) خواهد بود.

به گفته ریوکا کالن مؤلف مطالعه پزشکی پنه و استاد دانشیار رادیولوژی در دانشکده پزشکی دانشگاه پیتسبورگ، Federated Learning می‌تواند فرصت‌های بیشتری برای استفاده از هوش مصنوعی در مراقبت‌های بهداشتی ایجاد کند. او در ادامه می‌گوید فکر می‌کنم این یک تغییر بزرگ است. هوش مصنوعی این زمینه را متحول می‌کند زیرا به عنوان رادیولوژیست، بیشتر آنچه ما انجام می‌دهیم توصیفی است. با یادگیری عمیق، ما می‌توانیم اطلاعات پنهان در لایه‌های تصاویر دیجیتالی را استخراج کنیم.

به اشتراک گذاری یک مدل مشترک به جای داده‌های فردی می‌توان از کاربردهای دیگر اینترنت اشیا (IoT)در پزشکی نام برد.