211service.com
Mažai žinomas AI metodas gali išmokti jūsų sveikatos duomenis nekeliant pavojaus jūsų privatumui
John Moore | Getty
2017 m. „Google“ tyliai paskelbė tinklaraščio įrašą apie naują požiūrį į mašininį mokymąsi. Skirtingai nuo standartinio metodo, pagal kurį duomenys turi būti centralizuoti vienoje vietoje, naujasis gali mokytis iš daugybės duomenų šaltinių, paskirstytų keliuose įrenginiuose. Šis išradimas leido „Google“ išmokyti nuspėjamojo teksto modelį visuose „Android“ naudotojų siunčiamuose ir gautuose pranešimuose – niekada jų neskaitant ir nepašalinant iš savo telefonų.
Nepaisant savo sumanumo, federacinis mokymasis, kaip jį pavadino mokslininkai, tuo metu AI bendruomenėje įgavo menką trauką. Dabar tai pasikeis, nes bus pritaikyta visiškai naujoje srityje: jos požiūris į privatumą galėtų būti atsakas į didžiausią kliūtį, su kuria šiandien susiduriama DI pritaikymo sveikatos priežiūros srityje.
Yra klaidinga dichotomija tarp pacientų duomenų privatumo ir duomenų naudingumo visuomenei, sako Rameshas Raskaras, MIT kompiuterių mokslų docentas, kurio moksliniai tyrimai daugiausia dėmesio skiria AI sveikatai. Žmonės nesuvokia, kad smėlis slenka jiems po kojomis ir kad dabar iš tikrųjų galime pasiekti privatumą ir naudingumą tuo pačiu metu.
Per pastarąjį dešimtmetį dramatiškas gilaus mokymosi augimas paskatino stulbinančius pokyčius dešimtyse pramonės šakų. Tai paskatino mūsų siekį įsigyti savarankiškai važiuojančių automobilių, iš esmės pakeitė mūsų sąveikos su įrenginiais būdą ir iš naujo išrado mūsų požiūrį į kibernetinį saugumą. Tačiau sveikatos priežiūros srityje, nepaisant daugybės tyrimų, rodančių, kad jos gali aptikti ir diagnozuoti ligas, gilaus mokymosi pažanga siekiant padėti tikriems pacientams buvo nepaprastai lėta.
Dabartiniams pažangiems algoritmams išmokti reikia didžiulio duomenų kiekio – daugeliu atvejų kuo daugiau duomenų, tuo geriau. Ligoninės ir tyrimų institucijos turi sujungti savo duomenų rezervus, jei nori duomenų, kurie būtų pakankamai dideli ir įvairūs, kad būtų naudingi. Tačiau ypač JAV ir JK idėja centralizuoti jautrios medicininės informacijos būrius technologijų įmonių rankose ne kartą ir nenuostabu, kad buvo labai nepopuliari.
Dėl to AI diagnostikos naudojimo tyrimų apimtis ir pritaikomumas liko siauri. Negalite įdiegti krūties vėžio aptikimo modelio visame pasaulyje, kai jis buvo apmokytas tik keliems tūkstančiams pacientų iš tos pačios ligoninės.
Visa tai gali pasikeisti su federaciniu mokymusi. Ši technika gali parengti modelį naudojant duomenis, saugomus keliose skirtingose ligoninėse, o tie duomenys niekada nepalieka ligoninės patalpų arba neliečia technologijų įmonės serverių. Tai daroma pirmiausia apmokant atskirus modelius kiekvienoje ligoninėje su turimais vietiniais duomenimis, o tada siunčiant tuos modelius į centrinį serverį, kad būtų galima sujungti į pagrindinį modelį. Kiekviena ligoninė laikui bėgant įgyja daugiau duomenų, todėl ji gali atsisiųsti naujausią pagrindinį modelį, atnaujinti jį naujais duomenimis ir išsiųsti atgal į centrinį serverį. Viso proceso metu neapdoroti duomenys niekada nesikeičiami – tik modeliai, kurių negalima pakeisti atvirkštine inžinerija, kad būtų atskleisti tie duomenys.
Yra keletas iššūkių, susijusių su jungtiniu mokymusi. Viena vertus, derinant atskirus modelius kyla pavojus sukurti pagrindinį modelį, kuris iš tikrųjų yra blogesnis už kiekvieną jo dalį. Mokslininkai dabar tobulina esamus metodus, kad įsitikintų, jog taip neatsitiks, sako Raskaras. Kita vertus, jungtinis mokymasis reikalauja, kad kiekviena ligoninė turėtų infrastruktūrą ir personalo galimybes mokyti mašininio mokymosi modelius. Taip pat kyla problemų standartizuojant duomenų rinkimą visose ligoninėse. Tačiau šie iššūkiai nėra neįveikiami, sako Raskaras: Reikia nuveikti daugiau, bet dažniausiai tai yra Band-Aid darbas.
Tiesą sakant, pirmiausia privatumas paskirstytos mokymosi metodikos nuo tada atsirado kaip atsakas į šiuos iššūkius. Pavyzdžiui, Raskaras ir jo mokiniai neseniai išrado vieną, vadinamą padalintu mokymusi. Kaip ir federacinio mokymosi atveju, kiekviena ligoninė pradeda rengti atskirus modelius, tačiau jie moko tik pusiaukelėje. Pusiau paruošti modeliai siunčiami į centrinį serverį, kad jie būtų sujungti ir baigtų mokymą. Pagrindinis pranašumas yra tai, kad tai palengvintų ligoninių skaičiavimo naštą. Ši technika vis dar iš esmės yra koncepcijos įrodymas, tačiau ankstyvųjų bandymų metu Raskaro tyrimų grupė parodė, kad ji sukūrė pagrindinį modelį, beveik tokį pat tikslų, koks būtų, jei būtų mokomas centralizuoto duomenų telkinio.
Keletas įmonių, įskaitant „IBM Research“, dabar naudojasi jungtiniu mokymusi, kad patobulintų realaus pasaulio dirbtinio intelekto programas sveikatos priežiūrai. Owkin, Paryžiuje įsikūręs startuolis remia „Google Ventures“. , taip pat naudoja jį, kad prognozuotų pacientų atsparumą įvairiems gydymo būdams ir vaistams, taip pat jų išgyvenamumą sergant tam tikromis ligomis. Bendrovė bendradarbiauja su keliais vėžio tyrimų centrais JAV ir Europoje, kad panaudotų jų duomenis savo modeliams. Bendradarbiaujant jau buvo parengtas būsimas tyrimo dokumentas, pasak įkūrėjų, apie naują modelį, kuris pagal paciento patologijos vaizdus numato retos vėžio formos išgyvenamumo tikimybę. Straipsnyje bus žengtas didelis žingsnis siekiant patvirtinti šios technikos pranašumus realiame pasaulyje.
Aš tikrai džiaugiuosi, sako vienas iš Owkin įkūrėjų Thomas Clozel, klinikinių tyrimų gydytojas. Didžiausias barjeras onkologijoje šiandien yra žinios. Tikrai nuostabu, kad dabar turime galią išgauti tas žinias ir padaryti medicinos proveržio atradimus.
Raskaras mano, kad paskirstytojo mokymosi taikymas taip pat gali apimti ne tik sveikatos priežiūrą, bet ir bet kurią pramonės šaką, kurioje žmonės nenori dalytis savo duomenimis. Jis sako, kad paskirstytoje, nepatikimoje aplinkoje ateityje tai bus labai, labai galinga.
Ši istorija iš pradžių pasirodė mūsų AI informaciniame biuletenyje „Algoritmas“. Jei norite, kad jis būtų pristatytas tiesiai į gautuosius, prisiregistruokite čia nemokamai.