توسعه روشی برای تشخیص تومور‌های مغزی بدخیم

آفتاب‌‌نیوز :

مرکز پزشکی اراسموس در روتردام هلند، طی پژوهشی مشترک با آزمایشگاه‌های اینتل و دانشکده پزشکی پرلمن در دانشگاه پنسیلوانیا آمریکا، راهی برای تشخیص تومورهای بدخیم مغزی در مراحل اولیه پیدا کرده‌اند.

به گزارش آی او، برای انجام این کار، پژوهشگران از یک روش جدید به نام "یادگیری فدرال" استفاده کردند. این کار، روشی برای ترکیب یادگیری ماشینی (ML) با هوش مصنوعی (AI) است. این پروژه نشان داد که می‌توان تشخیص تومورهای مغزی را با این روش تا یک سوم بهبود بخشید.

این بزرگترین پژوهش درباره یادگیری فدرال پزشکی تا به امروز است که مجموعه داده جهانی بی‌سابقه‌ای که شامل ۷۱ موسسه در ۶ قاره را بررسی کرده است. به گفته جیسون مارتین، مهندس ارشد آزمایشگاه اینتل، یادگیری فدرال، پتانسیل فوق‌العاده‌ای در بسیاری از حوزه‌ها، به ویژه در مراقبت‌های بهداشتی دارد. توانایی محافظت از اطلاعات و داده‌های حساس، پنجره‌ای را برای پژوهش‌ها و همکاری‌های آتی باز می‌کند.

در دسترس قرار دادن داده‌ها

دسترسی به داده‌ها به دلیل قوانین ملی حفاظت از داده‌ها، همراه با مقررات عمومی حفاظت از داده‌ها (GDPR) برای مدت طولانی در مراقبت‌های بهداشتی مشکل‌ساز بوده است.

"به گفته جیسون مارتین، مهندس ارشد آزمایشگاه اینتل، یادگیری فدرال، پتانسیل فوق‌العاده‌ای در بسیاری از حوزه‌ها، به ویژه در مراقبت‌های بهداشتی دارد"این امر انجام تحقیقات پزشکی در مقیاس بزرگ و به اشتراک گذاری داده ها بدون به خطر انداختن حریم خصوصی بیماران را عملا غیرممکن کرده است. سخت افزار و نرم‌افزار یادگیری فدرال اینتل با الزامات حفظ حریم خصوصی داده‌ها مطابقت دارد و همچنین از یکپارچگی، حریم خصوصی و امنیت داده‌ها با استفاده از رایانه های مورد اعتماد محافظت می‌کند.

حریم خصوصی داده ها

نتایج پژوهش‌ها با پردازش مقادیر زیادی داده در یک سیستم غیرمتمرکز به دست آمد. این کار با استفاده از فناوری یادگیری فدرال اینتل همراه با نرم افزار Software Guard Extensions (SGX) انجام شد. این سیستم با حفظ داده‌های خام موجود در شبکه خود بیمارستان اجازه می‌دهد که به‌روزرسانی‌های مدلی که بر اساس آن داده‌ها محاسبه می‌شوند، به سرور مرکزی (یا جمع‌کننده) ارسال شوند.

درمان های شخصی

دکتر اسمیت، رادیولوژیست و پژوهشگر زیست‌پزشکی از اراسموس گفت: یادگیری فدرال این امکان را برای ما فراهم کرد تا به بهبود تشخیص خودکار تومور بدون نیاز به ارسال هیچ گونه اطلاعاتی برای بیمار کمک کنیم. تشخیص خودکار تومور گام مهمی برای شخصی‌سازی و نظارت بر درمان است و برای توسعه این روش، استفاده از داده‌های بسیاری از مؤسسه‌ها مختلف ضروری بود.

به لطف این همکاری، ما توانستیم این کار را به راحتی انجام دهیم، در حالی که همچنان کنترل داده‌های خود را در شبکه‌های خود حفظ می‌کنیم.

نتایج این پژوهش در مجله Nature Communications منتشر شد.