Αυτή είναι μια φιλοξενούμενη ανάρτηση ιστολογίου που γράφτηκε από τον Nitin Kumar, επικεφαλής επιστήμονα δεδομένων στην T and T Consulting Services, Inc.

Σε αυτήν την ανάρτηση, συζητάμε την αξία και τον πιθανό αντίκτυπο της ομοσπονδιακής μάθησης στον τομέα της υγειονομικής περίθαλψης. Αυτή η προσέγγιση μπορεί να βοηθήσει τους ασθενείς με εγκεφαλικό επεισόδιο, τους γιατρούς και τους ερευνητές με ταχύτερη διάγνωση, εμπλουτισμένη λήψη αποφάσεων και πιο ενημερωμένη, περιεκτική ερευνητική εργασία σε θέματα υγείας που σχετίζονται με το εγκεφαλικό, χρησιμοποιώντας μια εγγενή προσέγγιση στο cloud με υπηρεσίες AWS για ελαφριά ανύψωση και απλή υιοθέτηση .

Προκλήσεις διάγνωσης με εγκεφαλικά επεισόδια

Στατιστικά στοιχεία από το Κέντρα Ελέγχου και Πρόληψης Νοσημάτων (CDC) δείχνουν ότι κάθε χρόνο στις ΗΠΑ, περισσότεροι από 795,000 άνθρωποι υποφέρουν από το πρώτο τους εγκεφαλικό και περίπου το 25% από αυτούς αντιμετωπίζουν επαναλαμβανόμενα επεισόδια. Είναι η νούμερο πέντε αιτία θανάτου σύμφωνα με το Αμερικανική Ένωση Εγκεφαλικού και κύρια αιτία αναπηρίας στις ΗΠΑ. Ως εκ τούτου, είναι σημαντικό να υπάρχει έγκαιρη διάγνωση και θεραπεία για τη μείωση της εγκεφαλικής βλάβης και άλλων επιπλοκών σε ασθενείς με οξύ εγκεφαλικό επεισόδιο.

Οι αξονικές τομογραφίες και η μαγνητική τομογραφία είναι το χρυσό πρότυπο στις τεχνολογίες απεικόνισης για την ταξινόμηση διαφορετικών υποτύπων εγκεφαλικών επεισοδίων και είναι ζωτικής σημασίας κατά την προκαταρκτική αξιολόγηση των ασθενών, τον προσδιορισμό της βασικής αιτίας και τη θεραπεία. Μια κρίσιμη πρόκληση εδώ, ειδικά στην περίπτωση του οξέος εγκεφαλικού, είναι ο χρόνος της απεικονιστικής διάγνωσης, ο οποίος κατά μέσο όρο κυμαίνεται από 30 λεπτά έως μία ώρα και μπορεί να είναι πολύ μεγαλύτερη ανάλογα με τον συνωστισμό του τμήματος επειγόντων περιστατικών.

Οι γιατροί και το ιατρικό προσωπικό χρειάζονται γρήγορη και ακριβή διάγνωση εικόνας για να αξιολογήσουν την κατάσταση του ασθενούς και να προτείνουν θεραπευτικές επιλογές. Σύμφωνα με τα λόγια του Δρ. Werner Vogels στο AWS re: Invent 2023, «κάθε δευτερόλεπτο που ένας άνθρωπος παθαίνει εγκεφαλικό μετράει». Τα θύματα εγκεφαλικού μπορεί να χάσουν περίπου 1.9 δισεκατομμύρια νευρώνες κάθε δευτερόλεπτο που δεν λαμβάνουν θεραπεία.

Περιορισμοί ιατρικών δεδομένων

Μπορείτε να χρησιμοποιήσετε τη μηχανική μάθηση (ML) για να βοηθήσετε τους γιατρούς και τους ερευνητές σε εργασίες διάγνωσης, επιταχύνοντας έτσι τη διαδικασία. Ωστόσο, τα σύνολα δεδομένων που απαιτούνται για τη δημιουργία των μοντέλων ML και την παροχή αξιόπιστων αποτελεσμάτων βρίσκονται σε σιλό σε διαφορετικά συστήματα και οργανισμούς υγειονομικής περίθαλψης. Αυτά τα μεμονωμένα δεδομένα παλαιού τύπου έχουν τη δυνατότητα για τεράστιο αντίκτυπο, εάν συγκεντρωθούν. Γιατί λοιπόν δεν έχει χρησιμοποιηθεί ακόμα;

Υπάρχουν πολλές προκλήσεις κατά την εργασία με σύνολα δεδομένων ιατρικών τομέων και τη δημιουργία λύσεων ML, συμπεριλαμβανομένου του απορρήτου των ασθενών, της ασφάλειας των προσωπικών δεδομένων και ορισμένων γραφειοκρατικών και πολιτικών περιορισμών. Επιπλέον, τα ερευνητικά ιδρύματα έχουν ενισχύσει τις πρακτικές ανταλλαγής δεδομένων τους. Αυτά τα εμπόδια εμποδίζουν επίσης τις διεθνείς ερευνητικές ομάδες να συνεργαστούν σε ποικίλα και πλούσια σύνολα δεδομένων, τα οποία θα μπορούσαν να σώσουν ζωές και να αποτρέψουν αναπηρίες που μπορεί να προκύψουν από εγκεφαλικά επεισόδια, μεταξύ άλλων πλεονεκτημάτων.

Πολιτικές και κανονισμοί όπως Γενικός κανονισμός για την προστασία των δεδομένων (GDPR), Νόμος περί φορητότητας και λογοδοσίας για την ασφάλιση υγείας (HIPPA), και Καταπολέμηση της ιδιωτικής ζωής των καταναλωτών (CCPA) έβαλε προστατευτικά κιγκλιδώματα για την κοινή χρήση δεδομένων από τον ιατρικό τομέα, ιδιαίτερα των δεδομένων ασθενών. Επιπλέον, τα σύνολα δεδομένων σε μεμονωμένα ινστιτούτα, οργανισμούς και νοσοκομεία είναι συχνά πολύ μικρά, δεν είναι ισορροπημένα ή έχουν προκατειλημμένη κατανομή, οδηγώντας σε περιορισμούς γενίκευσης του μοντέλου.

Ομοσπονδιακή μάθηση: Εισαγωγή

Η ομοσπονδιακή μάθηση (FL) είναι μια αποκεντρωμένη μορφή ML—μια δυναμική προσέγγιση μηχανικής. Σε αυτήν την αποκεντρωμένη προσέγγιση ML, το μοντέλο ML μοιράζεται μεταξύ οργανισμών για εκπαίδευση σε ιδιόκτητα υποσύνολα δεδομένων, σε αντίθεση με την παραδοσιακή κεντρική εκπαίδευση ML, όπου το μοντέλο εκπαιδεύεται γενικά σε συγκεντρωτικά σύνολα δεδομένων. Τα δεδομένα παραμένουν προστατευμένα πίσω από τα τείχη προστασίας ή το VPC του οργανισμού, ενώ το μοντέλο με τα μεταδεδομένα του είναι κοινόχρηστο.

Στη φάση της εκπαίδευσης, ένα παγκόσμιο μοντέλο FL διαδίδεται και συγχρονίζεται μεταξύ οργανισμών μονάδων για εκπαίδευση σε μεμονωμένα σύνολα δεδομένων και επιστρέφεται ένα τοπικό εκπαιδευμένο μοντέλο. Το τελικό παγκόσμιο μοντέλο είναι διαθέσιμο για χρήση για να κάνει προβλέψεις για όλους τους συμμετέχοντες και μπορεί επίσης να χρησιμοποιηθεί ως βάση για περαιτέρω εκπαίδευση για τη δημιουργία τοπικών προσαρμοσμένων μοντέλων για τους συμμετέχοντες οργανισμούς. Μπορεί περαιτέρω να επεκταθεί προς όφελος άλλων ινστιτούτων. Αυτή η προσέγγιση μπορεί να μειώσει σημαντικά τις απαιτήσεις κυβερνοασφάλειας για δεδομένα υπό διαβίβαση, εξαλείφοντας καθόλου την ανάγκη για μεταφορά δεδομένων εκτός των ορίων του οργανισμού.

Το παρακάτω διάγραμμα απεικονίζει ένα παράδειγμα αρχιτεκτονικής.

Στις επόμενες ενότητες, συζητάμε πώς μπορεί να βοηθήσει η ομοσπονδιακή μάθηση.

Ομοσπονδία μαθαίνει να σώζει την ημέρα (και να σώζει ζωές)

Για καλή τεχνητή νοημοσύνη (AI), χρειάζεστε καλά δεδομένα.

Τα συστήματα παλαιού τύπου, τα οποία βρίσκονται συχνά στον ομοσπονδιακό τομέα, θέτουν σημαντικές προκλήσεις στην επεξεργασία δεδομένων προτού μπορέσετε να αντλήσετε πληροφορίες ή να τα συγχωνεύσετε με νεότερα σύνολα δεδομένων. Αυτό είναι ένα εμπόδιο στην παροχή πολύτιμης ευφυΐας στους ηγέτες. Μπορεί να οδηγήσει σε ανακριβή λήψη αποφάσεων, επειδή η αναλογία των δεδομένων παλαιού τύπου είναι μερικές φορές πολύ πιο πολύτιμη σε σύγκριση με το νεότερο μικρό σύνολο δεδομένων. Θέλετε να επιλύσετε αυτό το σημείο συμφόρησης αποτελεσματικά και χωρίς φόρτο εργασίας μη αυτόματων προσπαθειών ενοποίησης και ολοκλήρωσης (συμπεριλαμβανομένων δυσκίνητων διαδικασιών χαρτογράφησης) για παλαιού τύπου και νεότερα σύνολα δεδομένων σε νοσοκομεία και ινστιτούτα, τα οποία μπορεί να διαρκέσουν πολλούς μήνες —αν όχι χρόνια, σε πολλές περιπτώσεις. Τα δεδομένα παλαιού τύπου είναι αρκετά πολύτιμα επειδή περιέχουν σημαντικές πληροφορίες που απαιτούνται για την ακριβή λήψη αποφάσεων και την καλά ενημερωμένη εκπαίδευση μοντέλων, οδηγώντας σε αξιόπιστη τεχνητή νοημοσύνη στον πραγματικό κόσμο. Η διάρκεια των δεδομένων πληροφορεί για μακροπρόθεσμες παραλλαγές και μοτίβα στο σύνολο δεδομένων που διαφορετικά θα παρέμεναν απαρατήρητα και θα οδηγούσαν σε προκατειλημμένες και κακώς ενημερωμένες προβλέψεις.

Η διάλυση αυτών των σιλό δεδομένων για να ενώσει το αναξιοποίητο δυναμικό των διάσπαρτων δεδομένων μπορεί να σώσει και να μεταμορφώσει πολλές ζωές. Μπορεί επίσης να επιταχύνει την έρευνα που σχετίζεται με δευτερογενή θέματα υγείας που προκύπτουν από εγκεφαλικά επεισόδια. Αυτή η λύση μπορεί να σας βοηθήσει να μοιραστείτε πληροφορίες από δεδομένα που έχουν απομονωθεί μεταξύ ινστιτούτων για λόγους πολιτικής και άλλους λόγους, είτε είστε νοσοκομείο, ερευνητικό ινστιτούτο ή άλλοι οργανισμοί που εστιάζονται στα δεδομένα υγείας. Μπορεί να επιτρέψει τη λήψη τεκμηριωμένων αποφάσεων σχετικά με την κατεύθυνση και τη διάγνωση της έρευνας. Επιπλέον, οδηγεί σε ένα κεντρικό αποθετήριο πληροφοριών μέσω μιας ασφαλούς, ιδιωτικής και παγκόσμιας βάσης γνώσεων.

Η ομοσπονδιακή μάθηση έχει πολλά οφέλη γενικά και ειδικά για τις ρυθμίσεις ιατρικών δεδομένων.

Χαρακτηριστικά ασφάλειας και απορρήτου:

• Διατηρεί ευαίσθητα δεδομένα μακριά από το Διαδίκτυο και εξακολουθεί να τα χρησιμοποιεί για ML και αξιοποιεί τη νοημοσύνη του με διαφορικό απόρρητο
• Σας δίνει τη δυνατότητα να δημιουργείτε, να εκπαιδεύετε και να αναπτύσσετε αμερόληπτα και στιβαρά μοντέλα όχι μόνο σε μηχανές αλλά και σε δίκτυα, χωρίς κινδύνους για την ασφάλεια των δεδομένων
• Ξεπερνά τα εμπόδια με πολλούς προμηθευτές να διαχειρίζονται τα δεδομένα
• Εξαλείφει την ανάγκη για κοινή χρήση δεδομένων μεταξύ τοποθεσιών και παγκόσμια διακυβέρνηση
• Διατηρεί το απόρρητο με διαφορικό απόρρητο και προσφέρει ασφαλή υπολογισμό πολλαπλών μερών με τοπική εκπαίδευση

Βελτιώσεις απόδοσης:

• Αντιμετωπίζει το πρόβλημα μικρού μεγέθους δείγματος στον χώρο της ιατρικής απεικόνισης και τις δαπανηρές διαδικασίες επισήμανσης
• Εξισορροπεί την κατανομή των δεδομένων
• Σας δίνει τη δυνατότητα να ενσωματώσετε τις περισσότερες παραδοσιακές μεθόδους ML και βαθιάς μάθησης (DL).
• Χρησιμοποιεί ομαδοποιημένα σύνολα εικόνων για να συμβάλει στη βελτίωση της στατιστικής ισχύος, ξεπερνώντας τον περιορισμό μεγέθους δείγματος μεμονωμένων ιδρυμάτων

Οφέλη ανθεκτικότητας:

• Εάν κάποιο μέρος αποφασίσει να φύγει, δεν θα εμποδίσει την εκπαίδευση
• Ένα νέο νοσοκομείο ή ινστιτούτο μπορεί να εγγραφεί ανά πάσα στιγμή. δεν βασίζεται σε κάποιο συγκεκριμένο σύνολο δεδομένων με οποιαδήποτε οργάνωση κόμβου
• Δεν υπάρχει ανάγκη για εκτεταμένους αγωγούς μηχανικής δεδομένων για τα δεδομένα παλαιού τύπου που είναι διάσπαρτα σε ευρέως διαδεδομένες γεωγραφικές τοποθεσίες

Αυτά τα χαρακτηριστικά μπορούν να βοηθήσουν στην κατάρριψη των τοίχων μεταξύ ιδρυμάτων που φιλοξενούν μεμονωμένα σύνολα δεδομένων σε παρόμοιους τομείς. Η λύση μπορεί να γίνει πολλαπλασιαστής δύναμης αξιοποιώντας τις ενοποιημένες δυνάμεις των κατανεμημένων συνόλων δεδομένων και βελτιώνοντας την αποτελεσματικότητα μεταμορφώνοντας ριζικά την πτυχή της επεκτασιμότητας χωρίς την ανύψωση βαριάς υποδομής. Αυτή η προσέγγιση βοηθά την ML να αξιοποιήσει πλήρως τις δυνατότητές της, να γίνει ικανός σε κλινικό επίπεδο και όχι μόνο στην έρευνα.

Η ομοσπονδιακή μάθηση έχει συγκρίσιμη απόδοση με την κανονική ML, όπως φαίνεται παρακάτω πείραμα από την NVidia Clara (στο Medical Modal ARchive (MMAR) χρησιμοποιώντας το σύνολο δεδομένων BRATS2018). Εδώ, η FL πέτυχε συγκρίσιμη απόδοση τμηματοποίησης σε σύγκριση με την προπόνηση με κεντρικά δεδομένα: πάνω από 80% με περίπου 600 εποχές ενώ εκπαιδεύει μια εργασία κατάτμησης όγκου εγκεφάλου πολλαπλών τρόπων, πολλαπλών τάξεων.

Η ομοσπονδιακή μάθηση έχει δοκιμαστεί πρόσφατα σε μερικά ιατρικά υποπεδία για περιπτώσεις χρήσης, όπως η εκμάθηση ομοιότητας ασθενών, η εκμάθηση αναπαράστασης ασθενών, ο προσδιορισμός φαινοτύπων και η προγνωστική μοντελοποίηση.

Σχέδιο εφαρμογής: Η ομοσπονδιακή μάθηση την καθιστά δυνατή και απλή

Για να ξεκινήσετε με το FL, μπορείτε να επιλέξετε από πολλά σύνολα δεδομένων υψηλής ποιότητας. Για παράδειγμα, τα σύνολα δεδομένων με εικόνες εγκεφάλου περιλαμβάνουν ΣΥΜΜΟΡΦΩΝΟΜΑΙ (Πρωτοβουλία Autism Brain Imaging Data Exchange), ΑΔΝΗ (Πρωτοβουλία νευροαπεικόνισης για τη νόσο του Alzheimer), RSNA (Radiological Society of North America) CT εγκεφάλου, BraTS (Πολυτροπικό σημείο αναφοράς τμηματοποίησης εικόνας όγκου εγκεφάλου) ενημερώνεται τακτικά για την πρόκληση τμηματοποίησης όγκου εγκεφάλου υπό Ούπεν (Πανεπιστήμιο της Πενσυλβάνια), UK BioBank (καλύπτεται στο ακόλουθο NIH χαρτί), Και IXIA. Ομοίως για τις εικόνες καρδιάς, μπορείτε να επιλέξετε από πολλές διαθέσιμες στο κοινό επιλογές, συμπεριλαμβανομένου του ACDC (Automatic Cardiac Diagnosis Challenge), το οποίο είναι ένα σύνολο δεδομένων αξιολόγησης καρδιακής μαγνητικής τομογραφίας με πλήρη σχολιασμό που αναφέρεται από την Εθνική Βιβλιοθήκη Ιατρικής στα ακόλουθα χαρτί, και M&M (Multi-Center, Multi-Vendor, and Multi-Disease) Cardiac Segmentation Challenge που αναφέρονται στα παρακάτω IEEE χαρτί.

Οι παρακάτω εικόνες δείχνουν α πιθανοτικός χάρτης επικάλυψης αλλοιώσεων για τις πρωτογενείς βλάβες από το σύνολο δεδομένων ATLAS R1.1. (Τα εγκεφαλικά επεισόδια είναι μια από τις πιο κοινές αιτίες εγκεφαλικών βλαβών σύμφωνα με Cleveland Clinic.)

Για δεδομένα Ηλεκτρονικών Μητρώων Υγείας (EHR), είναι διαθέσιμα μερικά σύνολα δεδομένων που ακολουθούν το Γρήγοροι πόροι διαλειτουργικότητας υγειονομικής περίθαλψης (FHIR) πρότυπο. Αυτό το πρότυπο σάς βοηθά να δημιουργήσετε απλούς πιλότους καταργώντας ορισμένες προκλήσεις με ετερογενή, μη κανονικοποιημένα σύνολα δεδομένων, επιτρέποντας την απρόσκοπτη και ασφαλή ανταλλαγή, κοινή χρήση και ενσωμάτωση συνόλων δεδομένων. Το FHIR επιτρέπει τη μέγιστη διαλειτουργικότητα. Τα παραδείγματα συνόλου δεδομένων περιλαμβάνουν MIMIC-IV (Medical Information Mart for Intensive Care). Άλλα σύνολα δεδομένων καλής ποιότητας που δεν είναι επί του παρόντος FHIR αλλά μπορούν εύκολα να μετατραπούν περιλαμβάνουν Κέντρα Medicare & Medicaid Services (CMS) Αρχεία Δημόσιας Χρήσης (PUF) και Βάση δεδομένων συνεργατικής έρευνας eICU από το MIT (Massachusetts Institute of Technology). Υπάρχουν επίσης διαθέσιμοι άλλοι πόροι που προσφέρουν σύνολα δεδομένων που βασίζονται στο FHIR.

Ο κύκλος ζωής για την εφαρμογή FL μπορεί να περιλαμβάνει τα ακόλουθα βήματα: προετοιμασία εργασιών, επιλογή, διαμόρφωση, εκπαίδευση μοντέλου, επικοινωνία πελάτη/διακομιστή, προγραμματισμός και βελτιστοποίηση, έκδοση εκδόσεων, δοκιμή, ανάπτυξη και τερματισμός. Υπάρχουν πολλά χρονοβόρα βήματα για την προετοιμασία των δεδομένων ιατρικής απεικόνισης για την παραδοσιακή ML, όπως περιγράφεται παρακάτω χαρτί. Σε ορισμένα σενάρια μπορεί να απαιτούνται γνώσεις τομέα για την προεπεξεργασία ακατέργαστων δεδομένων ασθενών, ειδικά λόγω της ευαίσθητης και ιδιωτικής φύσης τους. Αυτά μπορούν να ενοποιηθούν και μερικές φορές να εξαλειφθούν για το FL, εξοικονομώντας κρίσιμο χρόνο για προπόνηση και παρέχοντας ταχύτερα αποτελέσματα.

Εκτέλεση

Τα εργαλεία και οι βιβλιοθήκες FL έχουν αναπτυχθεί με ευρεία υποστήριξη, καθιστώντας εύκολη τη χρήση του FL χωρίς βαριά εναέρια ανύψωση. Υπάρχουν πολλοί καλοί πόροι και επιλογές πλαισίου διαθέσιμες για να ξεκινήσετε. Μπορείτε να ανατρέξετε στα παρακάτω εκτεταμένη λίστα από τα πιο δημοφιλή πλαίσια και εργαλεία στον τομέα FL, συμπεριλαμβανομένων PySyft, FedML, Λουλούδι, OpenFL, ΜΟΙΡΑ, Ομοσπονδία TensorFlow, να NVFlare. Παρέχει μια λίστα αρχαρίων έργων για να ξεκινήσετε γρήγορα και να αξιοποιήσετε.

Μπορείτε να εφαρμόσετε μια εγγενή προσέγγιση στο cloud με Amazon Sage Maker που λειτουργεί άψογα Ομοτίμηση AWS VPC, διατηρώντας την εκπαίδευση κάθε κόμβου σε ιδιωτικό υποδίκτυο στο αντίστοιχο VPC και επιτρέποντας την επικοινωνία μέσω ιδιωτικών διευθύνσεων IPv4. Επιπλέον, το μοντέλο φιλοξενίας σε Amazon SageMaker JumpStart μπορεί να βοηθήσει με την έκθεση του API τελικού σημείου χωρίς κοινή χρήση βαρών μοντέλου.

Καταργεί επίσης πιθανές προκλήσεις υψηλού επιπέδου στον υπολογιστή με το υλικό εσωτερικής εγκατάστασης Amazon Elastic Compute Cloud (Amazon EC2) πόροι. Μπορείτε να εφαρμόσετε τον πελάτη και τους διακομιστές FL σε AWS με Σημειωματάρια SageMaker και Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), διατηρεί ρυθμιζόμενη πρόσβαση στα δεδομένα και μοντέλο με Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) ρόλους και χρήση Υπηρεσία διακριτικών ασφαλείας AWS (AWS STS) για ασφάλεια από την πλευρά του πελάτη. Μπορείτε επίσης να δημιουργήσετε το δικό σας προσαρμοσμένο σύστημα για FL χρησιμοποιώντας το Amazon EC2.

Για μια λεπτομερή επισκόπηση της εφαρμογής FL με το Λουλούδι πλαίσιο για το SageMaker, και μια συζήτηση της διαφοράς του από την κατανεμημένη εκπαίδευση, ανατρέξτε στο Μηχανική εκμάθηση με αποκεντρωμένα δεδομένα εκπαίδευσης χρησιμοποιώντας ομοσπονδιακή μάθηση στο Amazon SageMaker.

Τα παρακάτω σχήματα απεικονίζουν την αρχιτεκτονική της μεταφοράς μάθησης στο FL.

Αντιμετώπιση προκλήσεων δεδομένων FL

Η ομοσπονδιακή μάθηση συνοδεύεται από τις δικές της προκλήσεις δεδομένων, συμπεριλαμβανομένου του απορρήτου και της ασφάλειας, αλλά είναι εύκολο να αντιμετωπιστούν. Αρχικά, πρέπει να αντιμετωπίσετε το πρόβλημα ετερογένειας δεδομένων με δεδομένα ιατρικής απεικόνισης που προκύπτουν από δεδομένα που αποθηκεύονται σε διαφορετικούς ιστότοπους και συμμετέχοντες οργανισμούς, γνωστά ως μετατόπιση τομέα πρόβλημα (αναφέρεται επίσης ως αλλαγή πελάτη σε ένα σύστημα FL), όπως τονίζεται από τους Guan και Liu στη συνέχεια χαρτί. Αυτό μπορεί να οδηγήσει σε διαφορά στη σύγκλιση του παγκόσμιου μοντέλου.

Άλλα στοιχεία που πρέπει να ληφθούν υπόψη περιλαμβάνουν τη διασφάλιση της ποιότητας και της ομοιομορφίας των δεδομένων στην πηγή, την ενσωμάτωση ειδικών γνώσεων στη διαδικασία εκμάθησης για να εμπνεύσει εμπιστοσύνη στο σύστημα μεταξύ των επαγγελματιών της ιατρικής και την επίτευξη ακρίβειας του μοντέλου. Για περισσότερες πληροφορίες σχετικά με ορισμένες από τις πιθανές προκλήσεις που ενδέχεται να αντιμετωπίσετε κατά την υλοποίηση, ανατρέξτε στα παρακάτω χαρτί.

Το AWS σάς βοηθά να επιλύσετε αυτές τις προκλήσεις με λειτουργίες όπως ο ευέλικτος υπολογισμός του Amazon EC2 και προκατασκευασμένο Εικόνες Docker στο SageMaker για άμεση ανάπτυξη. Μπορείτε να επιλύσετε προβλήματα από την πλευρά του πελάτη, όπως μη ισορροπημένα δεδομένα και υπολογιστικούς πόρους για κάθε οργάνωση κόμβου. Μπορείτε να αντιμετωπίσετε προβλήματα εκμάθησης από την πλευρά του διακομιστή, όπως επιθέσεις δηλητηρίασης από κακόβουλα μέρη Εικονικό ιδιωτικό σύννεφο Amazon (Amazon VPC), ομάδες ασφαλείαςκαι άλλα πρότυπα ασφαλείας, αποτρέποντας τη διαφθορά των πελατών και εφαρμόζοντας υπηρεσίες ανίχνευσης ανωμαλιών AWS.

Το AWS βοηθά επίσης στην αντιμετώπιση των προκλήσεων υλοποίησης του πραγματικού κόσμου, οι οποίες μπορεί να περιλαμβάνουν προκλήσεις ενσωμάτωσης, ζητήματα συμβατότητας με τρέχοντα ή παλαιού τύπου νοσοκομειακά συστήματα και εμπόδια υιοθέτησης από τους χρήστες, προσφέροντας ευέλικτες, εύχρηστες και αβίαστες λύσεις τεχνολογίας ανύψωσης.

Με τις υπηρεσίες AWS, μπορείτε να ενεργοποιήσετε μεγάλης κλίμακας έρευνα και κλινική εφαρμογή και ανάπτυξη βασισμένη σε FL, η οποία μπορεί να αποτελείται από διάφορες τοποθεσίες σε όλο τον κόσμο.

Οι πρόσφατες πολιτικές για τη διαλειτουργικότητα υπογραμμίζουν την ανάγκη για ομοσπονδιακή μάθηση

Πολλοί νόμοι που ψηφίστηκαν πρόσφατα από την κυβέρνηση περιλαμβάνουν εστίαση στη διαλειτουργικότητα δεδομένων, ενισχύοντας την ανάγκη για διαοργανωτική διαλειτουργικότητα δεδομένων για ευφυΐα. Αυτό μπορεί να επιτευχθεί χρησιμοποιώντας FL, συμπεριλαμβανομένων πλαισίων όπως το TEFCA (Trusted Exchange Framework and Common Agreement) και το διευρυμένο USCDI (Βασικά δεδομένα για τη διαλειτουργικότητα των Ηνωμένων Πολιτειών).

Η προτεινόμενη ιδέα συμβάλλει επίσης στην πρωτοβουλία σύλληψης και διανομής του CDC CDC Προχωρώντας προς τα εμπρός. Το ακόλουθο απόσπασμα από το άρθρο GovCIO Κοινή χρήση δεδομένων και τεχνητή νοημοσύνη Κορυφαίες προτεραιότητες Ομοσπονδιακής Υπηρεσίας Υγείας το 2024 απηχεί επίσης ένα παρόμοιο θέμα: «Αυτές οι δυνατότητες μπορούν επίσης να υποστηρίξουν το κοινό με δίκαιο τρόπο, συναντώντας ασθενείς όπου βρίσκονται και ξεκλειδώνοντας κρίσιμη πρόσβαση σε αυτές τις υπηρεσίες. Μεγάλο μέρος αυτής της δουλειάς βασίζεται στα δεδομένα».

Αυτό μπορεί να βοηθήσει ιατρικά ιδρύματα και φορείς σε όλη τη χώρα (και σε ολόκληρο τον κόσμο) με σιλό δεδομένων. Μπορούν να επωφεληθούν από την απρόσκοπτη και ασφαλή ενοποίηση και τη διαλειτουργικότητα δεδομένων, καθιστώντας τα ιατρικά δεδομένα αξιοποιήσιμα για αποτελεσματικές προβλέψεις βασισμένες σε ML και αναγνώριση προτύπων. Μπορείτε να ξεκινήσετε με εικόνες, αλλά η προσέγγιση ισχύει και για όλα τα ΗΜΥ. Ο στόχος είναι να βρεθεί η καλύτερη προσέγγιση για τα ενδιαφερόμενα μέρη δεδομένων, με έναν εγγενή αγωγό cloud για την κανονικοποίηση και την τυποποίηση των δεδομένων ή την απευθείας χρήση τους για FL.

Ας εξερευνήσουμε ένα παράδειγμα περίπτωσης χρήσης. Τα δεδομένα απεικόνισης και οι σαρώσεις καρδιακής προσβολής είναι διάσπαρτα σε όλη τη χώρα και τον κόσμο, σε απομονωμένα σιλό σε ινστιτούτα, πανεπιστήμια και νοσοκομεία και χωρίζονται από γραφειοκρατικά, γεωγραφικά και πολιτικά όρια. Δεν υπάρχει ενιαία συγκεντρωτική πηγή και δεν υπάρχει εύκολος τρόπος για τους επαγγελματίες του ιατρικού τομέα (μη προγραμματιστές) να αντλήσουν πληροφορίες από αυτήν. Ταυτόχρονα, δεν είναι εφικτό να εκπαιδεύσουμε μοντέλα ML και DL σε αυτά τα δεδομένα, τα οποία θα μπορούσαν να βοηθήσουν τους επαγγελματίες του ιατρικού τομέα να λάβουν ταχύτερες και ακριβέστερες αποφάσεις σε κρίσιμες περιόδους όπου οι σαρώσεις καρδιάς μπορεί να χρειαστούν ώρες για να πραγματοποιηθούν ενώ η ζωή του ασθενούς μπορεί να κρέμεται ισορροπία.

Άλλες γνωστές περιπτώσεις χρήσης περιλαμβάνουν POTS (Αγορά Online Tracking System) στο ΝΙΗ (Εθνικά Ινστιτούτα Υγείας) και κυβερνοασφάλεια για διάσπαρτες και κλιμακωτές λύσεις πληροφοριών σε τοποθεσίες COMCOM/MAJCOM σε όλο τον κόσμο.

Συμπέρασμα

Η ομοσπονδιακή μάθηση υπόσχεται πολλά για τις αναλύσεις και την ευφυΐα δεδομένων υγειονομικής περίθαλψης παλαιού τύπου. Η εφαρμογή μιας εγγενούς λύσης στο cloud με υπηρεσίες AWS είναι απλή και η FL είναι ιδιαίτερα χρήσιμη για ιατρικούς οργανισμούς με δεδομένα παλαιού τύπου και τεχνικές προκλήσεις. Το FL μπορεί να έχει δυνητικό αντίκτυπο σε ολόκληρο τον κύκλο θεραπείας, και τώρα ακόμη περισσότερο με την εστίαση στη διαλειτουργικότητα δεδομένων από μεγάλους ομοσπονδιακούς οργανισμούς και κυβερνητικούς ηγέτες.

Αυτή η λύση μπορεί να σας βοηθήσει να αποφύγετε την επανεφεύρεση του τροχού και να χρησιμοποιήσετε την πιο πρόσφατη τεχνολογία για να κάνετε ένα άλμα από τα παλαιού τύπου συστήματα και να είστε στην πρώτη γραμμή σε αυτόν τον συνεχώς εξελισσόμενο κόσμο της τεχνητής νοημοσύνης. Μπορείτε επίσης να γίνετε ηγέτης για τις βέλτιστες πρακτικές και μια αποτελεσματική προσέγγιση για τη διαλειτουργικότητα των δεδομένων εντός και μεταξύ φορέων και ινστιτούτων στον τομέα της υγείας και όχι μόνο. Εάν είστε ινστιτούτο ή οργανισμός με σιλό δεδομένων διάσπαρτα σε όλη τη χώρα, μπορείτε να επωφεληθείτε από αυτήν την απρόσκοπτη και ασφαλή ενοποίηση.

Το περιεχόμενο και οι απόψεις σε αυτήν την ανάρτηση ανήκουν στον συγγραφέα τρίτου μέρους και η AWS δεν ευθύνεται για το περιεχόμενο ή την ακρίβεια αυτής της ανάρτησης. Είναι ευθύνη κάθε πελάτη να καθορίσει εάν υπόκεινται στο HIPAA και, εάν ναι, πώς να συμμορφωθεί καλύτερα με το HIPAA και τους κανονισμούς εφαρμογής του. Πριν χρησιμοποιήσετε το AWS σε σχέση με προστατευμένες πληροφορίες υγείας, οι πελάτες πρέπει να εισαγάγουν ένα Προσάρτημα AWS Business Associate (BAA) και να ακολουθήσουν τις απαιτήσεις διαμόρφωσής του.

---

Σχετικά με το Συγγραφέας

Νίτιν Κουμάρ (MS, CMU) είναι Επικεφαλής Επιστήμονας Δεδομένων στην T and T Consulting Services, Inc. Έχει εκτενή εμπειρία με την κατασκευή πρωτοτύπων Ε&Α, την πληροφορική υγείας, τα δεδομένα του δημόσιου τομέα και τη διαλειτουργικότητα δεδομένων. Εφαρμόζει τις γνώσεις του για μεθόδους έρευνας αιχμής στον ομοσπονδιακό τομέα για την παράδοση καινοτόμων τεχνικών εγγράφων, POC και MVP. Έχει συνεργαστεί με πολλές ομοσπονδιακές υπηρεσίες για την προώθηση των στόχων δεδομένων και τεχνητής νοημοσύνης. Οι άλλοι τομείς εστίασης του Nitin περιλαμβάνουν την επεξεργασία φυσικής γλώσσας (NLP), τους αγωγούς δεδομένων και τη γενετική τεχνητή νοημοσύνη.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/