欢迎光临
我们一直在努力

联合学习为医院提供人工智能

经验是成功的关键,它在医学上几乎是无价的资产,特别是在诊断方面。将曾经在研究中学到的东西转化为具体的发现、治疗和应用对完成良好的护理工作至关重要!但是,如何才能以最佳方式实现这一点,甚至保证这一点呢?

人工智能(Artificial intelligence,AI)目前被认为是许多领域未来的头号技术。它清楚地展示了经验是如何被定义、产生和变得有用的。这是关于人工智能算法的“经验”。它由大型、高质量的数据集提供数据。不过却存在一个问题,特别是在医疗部门,产生必要范围和质量的数据是很难的。

许多机构必须依赖自身的医疗记录作为相关数据来源——例如在用于患者安全、人口统计、治疗、手段和方法,或用于临床规范时。但是,当这些不够时,它们必须能够访问外部数据池。

一个新的术语将发挥作用,它可以提供全新的动力,那就是联合学习。这种方法允许人工智能算法将不同来源的数据转换成对医疗实践管理非常有价值的“原材料”:经验。通过此方式,几个组织将能在不用传递隐私信息的情况下共同开发适当的模型,例如关于个别患者健康记录的信息。在集体努力中,如果所涉及的合作仅仅依赖于内部收集的数据,那么它们可以实现远远超过单独的合作。

1.经验-不可替代

任何自称自己是该领域专家的人,至少会有15年的专业经验,每年处理约15000个病例,这意味着他整个职业生涯中处理过的病例约为225000个。但即使在工作了三年之后,大多数人最多能想出100个特别罕见的案例来组成真正的专家。

30年的经验怎么能被替代呢?有可能吗?如果要用人工智能解决这个难题,则需要相应的大量案例。为此需要先输入可供学习的数据集。它们都必须准确反映获得和治疗它们的临床环境。

这将设置很高的质量标准。目前,现有数据集中只有100000个案例——尽管数量可观,但仍然太少。

重要的不只是数量,范围也需要保证正确性。需要来自不同环境、年龄与性别的患者样本。一些医院可能含有几十万条的数据信息,但它们却是孤立的。从数据保护的角度来看,这是值得欢迎的。然而,这样就排除了在更广泛的战线上使用。

这正是联合学习发挥作用的地方。这种方法使得在不共享病人数据的情况下共享人工智能算法成为可能,而病人数据仍然包含在医院中。例如,三家医院希望联手开发一种用于脑肿瘤自动分析的模型。作为客户机-服务器方法的一部分,中央服务器将容纳联合深层神经网络,每个参与的诊所将收到一份副本,用其(受保护的)数据对其进行培训。

2.双向影响

一旦相应的模型已经适应了当地的情况,而且相应的过程已足够频繁地进行了重复,那么参与者便可在底层数据集保持在内部范围的情况下,将已被训练过的版本发回到中央服务器。

服务器则会把不同的提交模型版本聚合起来。更新和升级后的参数可供所有参与者进一步培训。如果其中一个参与者退出,这并不意味着其他所有人的项目都将结束。新的参与者也可以随时添加到相应的程序中。

这虽只是个案例,但它表明:联合学习将允许您从本地(和本地剩余)的信息当中获得洞察力,并使每个人都从中受益。

3.对卫生部门的影响

联合学习可能意味着人工智能模型培训的一场革命——对整个医疗生态系统产生影响

更大的医院网络可以更好、更紧密地协作,同时从允许访问或共享其安全数据中获益。这也尤其有利于小型医院,比如农村地区的医院:它们可以获得比其他方式更大的人工智能资源,

这将把人工智能直接用到人们关心的问题上。医生可以使用基于数据材料的有用人工智能算法,这些数据材料包括各种患者资料以及罕见的并非所有医院都常见的病例。此外,参与者也可以做出自己的贡献。

4.已经在使用的第一个平台

在英国,NVIDIA与伦敦大学国王学院和Owkin合作,为国家卫生服务创建联合学习平台。它给每家医院都提供了一个区块链的分布式账本,以用来捕获和跟踪用于模型培训的全部数据。

Clara FL(用于联邦学习)是一个平台,它已使多家医院能够进行“协作”学习,并且它还实现了全面的数据保护。该平台充当服务器和参与客户端之间的接口,为它们提供所需的一切——从应用程序容器到相应的人工智能模型。

如今,该平台已经向用户展示了广泛的可能性。比如它被用于开发医院智能传感器所需的人工智能基础设施,或使移动式护理点磁共振成像系统实用化。

赞(0) 打赏
未经允许不得转载:子午书简 » 联合学习为医院提供人工智能

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址