Naujas AI metodas gali mokytis pagal medicininius įrašus neatskleidžiant paciento duomenų

Kategorija: Dirbtinis intelektas Paskelbta Gruodžio 11 d

Kai „Google“ paskelbė, kad perims „DeepMind“ sveikatos skyrių, tai sukėlė didelį ginčą dėl duomenų privatumo. Nors „DeepMind“ patvirtino, kad tokiu žingsniu „Google“ nebus perduoti neapdoroti pacientų duomenys, o vien idėja supažindinti technologijų milžiną, identifikuoti medicininius įrašus, sukėlė nerimą. Ši problema, susijusi su daugybe aukštos kokybės duomenų gavimo, tapo didžiausia kliūtimi taikant mašininį mokymąsi medicinoje.

Siekdami išspręsti šią problemą, dirbtinio intelekto tyrėjai padarė pažangą naujos technikos mokyti mašininio mokymosi modelius išlaikant duomenų konfidencialumą. The naujausias metodas , iš MIT, vadinamas suskaidytu neuroniniu tinklu: jis leidžia vienam asmeniui pradėti lavinti gilaus mokymosi modelį, o kitam baigti.

Idėja yra tokia, kad ligoninės ir kitos medicinos įstaigos galėtų iš dalies apmokyti savo modelius, remdamosi savo pacientų duomenimis vietoje, tada kiekviena išsiųs savo pusiau apmokytą modelį į centralizuotą vietą, kad kartu užbaigtų paskutinius mokymo etapus su savo modeliais. Centralizuota vieta, nesvarbu, ar tai būtų „Google“, ar kitos įmonės debesies paslaugos, niekada nematys neapdorotų pacientų duomenų; jie matytų tik pusiau iškepto modelio produkciją ir patį modelį. Tačiau ligoninėms būtų naudingas galutinis modelis, parengtas remiantis kiekvienos dalyvaujančios institucijos duomenų deriniu.

Rameshas Raskaras, MIT Media Lab docentas ir straipsnio bendraautoris, šį procesą lygina su duomenų šifravimu. Tik dėl šifravimo jaučiuosi patogiai siųsdamas savo kredito kortelės duomenis kitam subjektui, sako jis. Sumaišius medicininius duomenis pirmaisiais neuroninio tinklo etapais, duomenys apsaugomi taip pat.

Išbandydama šį metodą, palyginti su kitais, taip pat skirtais pacientų duomenims saugoti, tyrimo grupė nustatė, kad suskaidyti neuroniniai tinklai reikalauja žymiai mažiau skaičiavimo išteklių, kad būtų galima apmokyti ir taip pat sukurti daug didesnio tikslumo modelius.

Šis įrašas iš pradžių pasirodė mūsų AI informaciniame biuletenyje „Algoritmas“. Jei norite, kad jis būtų pristatytas tiesiai į jūsų pašto dėžutę, užsiprenumeruokite čia nemokamai.