En ny AI-metode kan træne på journaler uden at afsløre patientdata

Kategori: Kunstig intelligens Udsendt 11. dec

Da Google annoncerede, at det ville absorbere DeepMinds sundhedsafdeling, udløste det en stor kontrovers om databeskyttelse. Selvom DeepMind bekræftede, at flytningen faktisk ikke ville videregive rå patientdata til Google, fik folk bare tanken om at give en teknologigigant intim, identifikation af medicinske journaler, kvalme. Dette problem med at få masser af data af høj kvalitet er blevet den største hindring for at anvende maskinlæring i medicin.

For at komme uden om problemet har AI-forskere gjort fremskridt nye teknikker til træning af maskinlæringsmodeller, mens dataene holdes fortrolige. Det nyeste metode , fra MIT, kaldes et split neuralt netværk: det giver en person mulighed for at begynde at træne en dyb-læringsmodel og en anden person for at afslutte.

Tanken er, at hospitaler og andre medicinske institutioner vil være i stand til at træne deres modeller halvvejs med deres patienters data lokalt, og derefter sende hver deres halvtrænede model til et centraliseret sted for at fuldføre de sidste stadier af træning med deres modeller sammen. Den centraliserede placering, uanset om det er Googles cloudtjenester eller en anden virksomhed, ville aldrig se de rå patientdata; de ville kun se output fra den halvbagte model plus selve modellen. Men sygehusene ville drage fordel af en endelig model trænet på en kombination af hver deltagende institutions data.

Ramesh Raskar, en lektor ved MIT Media Lab og en medforfatter af papiret, sammenligner denne proces med datakryptering. Kun på grund af kryptering føler jeg mig tryg ved at sende mine kreditkortdata til en anden enhed, siger han. Tilsløring af medicinske data gennem de første par stadier af et neuralt netværk beskytter dataene på samme måde.

Ved at teste denne tilgang frem for andre, der også er designet til at holde patientdata sikre, fandt forskerholdet ud af, at opdelte neurale netværk kræver betydeligt færre beregningsressourcer at træne og også producere modeller med meget højere nøjagtighed.

Dette indlæg dukkede oprindeligt op i vores AI-nyhedsbrev The Algorithm. For at få det leveret direkte til din indbakke, abonner her gratis.