Ομοσπονδιακή Μάθηση για την Υγεία: Θεραπεύοντας τον Καρκίνο χωρίς Κοινή Χρήση Δεδομένων

Ομοσπονδιακή Μάθηση για την Υγεία: Θεραπεύοντας τον Καρκίνο χωρίς Κοινή Χρήση Δεδομένων

Η τραγωδία των απομονωμένων δεδομένων

Φανταστείτε ότι υπάρχουν πέντε μεγάλα ερευνητικά νοσοκομεία στην Ευρώπη: στο Βερολίνο, στο Παρίσι, στο Άμστερνταμ, στο Μιλάνο και στη Μαδρίτη. Κάθε νοσοκομείο έχει 1.000 ασθενείς με μια σπάνια μορφή παιδιατρικής λευχαιμίας. Ένα δείγμα 1.000 ασθενών είναι πολύ μικρό για να εκπαιδευτεί ένα αξιόπιστο μοντέλο βαθιάς μάθησης που θα ανιχνεύει έγκαιρα τη νόσο. Το μοντέλο υπερπροσαρμόζεται· μαθαίνει τις ιδιαιτερότητες του σαρωτή του Βερολίνου και όχι την παθολογία του καρκίνου.

Ωστόσο, αν μπορούσατε να συνδυάσετε τα σύνολα δεδομένων, θα είχατε 5.000 ασθενείς: ένα αρκετά μεγάλο σύνολο δεδομένων για να εκπαιδευτεί ένα πρωτοποριακό διαγνωστικό σύστημα τεχνητής νοημοσύνης που θα μπορούσε να σώσει χιλιάδες ζωές.

Στον παλιό κόσμο, αυτό ήταν αδύνατο. Ο GDPR στην Ευρώπη, ο HIPAA στις ΗΠΑ και οι αυστηροί κανόνες εμπιστευτικότητας των ασθενών απαγορεύουν ρητά την αποστολή πρωτογενών ιατρικών αρχείων από το Νοσοκομείο Α στο Νοσοκομείο Β ή τη μεταφόρτωσή τους σε έναν κεντρικό διακομιστή νέφους που ανήκει σε έναν τεχνολογικό κολοσσό.

Έτσι, τα δεδομένα παραμένουν απομονωμένα. Το σύστημα τεχνητής νοημοσύνης δεν εκπαιδεύεται ποτέ. Το μοτίβο παραμένει ανακάλυπτο. Οι ασθενείς πεθαίνουν.

Αυτή είναι η τραγωδία της προστασίας δεδομένων έναντι της ιατρικής προόδου. Είναι ένα αδιέξοδο. Αλλά είναι ένα αδιέξοδο που μπορούμε να σπάσουμε με τα μαθηματικά.

Ομοσπονδιακή Μάθηση: Η Αντιστροφή της Εκπαίδευσης

Η Ομοσπονδιακή Μάθηση (FL) αντιστρέφει πλήρως το καθιερωμένο παράδειγμα της εκπαίδευσης της τεχνητής νοημοσύνης.

Η Τυπική Προσέγγιση (Συγκεντρωτική): Συγκεντρώστε όλα τα δεδομένα από όλες τις πηγές σε μια τεράστια κεντρική λίμνη δεδομένων. Εκπαιδεύστε το μοντέλο στη λίμνη.

Η Ομοσπονδιακή Προσέγγιση (Αποκεντρωμένη): Αφήστε τα δεδομένα εκεί που βρίσκονται. Στείλτε το μοντέλο στα δεδομένα.

Να πώς λειτουργεί στην πράξη, βήμα προς βήμα:

1. Αρχικοποίηση: Ένας κεντρικός διακομιστής (ο συντονιστής) δημιουργεί ένα «κενό» ή προεκπαιδευμένο Καθολικό Μοντέλο.
2. Διανομή: Ο διακομιστής στέλνει ένα αντίγραφο αυτού του μοντέλου σε καθένα από τα 5 νοσοκομεία.
3. Τοπική Εκπαίδευση: Κάθε νοσοκομείο εκπαιδεύει το μοντέλο τοπικά στα δικά του ιδιωτικά δεδομένα ασθενών. Αυτή η εκπαίδευση γίνεται στους ασφαλείς διακομιστές του νοσοκομείου, πίσω από το τείχος προστασίας του. Τα πρωτογενή δεδομένα ασθενών ποτέ δεν φεύγουν από το υπόγειο.
4. Δημιουργία Ενημέρωσης: Η τοπική διαδικασία εκπαίδευσης παράγει μια «Ενημέρωση Μοντέλου»: ένα σύνολο μαθηματικών προσαρμογών στα βάρη (συνάψεις) του νευρωνικού δικτύου. Λέει, ουσιαστικά: «Για να αναγνωρίζουμε καλύτερα τον καρκίνο, ανεβάστε τον νευρώνα #45 κατά 0,1 και χαμηλώστε τον νευρώνα #92 κατά 0,05.»
5. Συγκέντρωση: Το νοσοκομείο στέλνει μόνο αυτή την Ενημέρωση Μοντέλου (τα μαθηματικά) πίσω στον κεντρικό διακομιστή. Ούτε ονόματα ασθενών, ούτε ακτινογραφίες, ούτε αποτελέσματα εξετάσεων αίματος. Μόνο ένα αρχείο με αριθμούς κινητής υποδιαστολής.
6. Υπολογισμός Μέσου Όρου: Ο κεντρικός διακομιστής συλλέγει τις ενημερώσεις από όλα τα 5 νοσοκομεία. Τις υπολογίζει κατά μέσο όρο (χρησιμοποιώντας έναν αλγόριθμο όπως ο Ομοσπονδιακός Υπολογισμός Μέσου Όρου) για να δημιουργήσει ένα νέο, εξυπνότερο Καθολικό Μοντέλο.
7. Επανάληψη: Το νέο Καθολικό Μοντέλο στέλνεται πίσω στα νοσοκομεία και ο κύκλος επαναλαμβάνεται.

Η Μαθηματική Μαγεία

Η μαγεία αυτής της διαδικασίας είναι ότι το Καθολικό Μοντέλο γίνεται εξυπνότερο σαν να είχε εκπαιδευτεί σε όλους τους 5.000 ασθενείς, παρόλο που ποτέ δεν «είδε» πραγματικά κανέναν από αυτούς άμεσα. Μαθαίνει τα πρότυπα της νόσου (που είναι κοινά σε όλα τα νοσοκομεία) χωρίς να μαθαίνει τις ταυτότητες των ασθενών (που είναι μοναδικές για κάθε νοσοκομείο).

Αποσυνδέει την ικανότητα μάθησης από την ανάγκη να βλέπει.

Άμυνα σε Βάθος: SMPC και Διαφορική Ιδιωτικότητα

Οι παρανοϊκοί μηχανικοί ασφαλείας (όπως εμείς στο Dweve) θα ρωτήσουν: "Μα δεν μπορείτε να κάνετε reverse engineering στα δεδομένα των ασθενών από την Ενημέρωση Μοντέλου;"

Είναι βάσιμη ανησυχία. Θεωρητικά, αν μια ενημέρωση μοντέλου είναι πολύ συγκεκριμένη, ένας κακόβουλος κεντρικός διακομιστής θα μπορούσε να συμπεράνει ότι "Ο Ασθενής Χ στο Νοσοκομείο του Βερολίνου πρέπει να είχε την πάθηση Υ."

Για να το αποτρέψει αυτό, το Dweve προσθέτει δύο επιπλέον κρυπτογραφικές τεχνολογίες πάνω στην Ομοσπονδιακή Μάθηση:

1. Ασφαλής Πολυμερής Υπολογισμός (SMPC)

Πρόκειται για ένα κρυπτογραφικό πρωτόκολλο που επιτρέπει στον κεντρικό διακομιστή να υπολογίσει το άθροισμα των ενημερώσεων χωρίς να δει ποτέ τις επιμέρους ενημερώσεις.

Φανταστείτε τρία άτομα που θέλουν να υπολογίσουν τον μέσο μισθό τους, αλλά κανείς δεν θέλει να αποκαλύψει τον μισθό του στους άλλους. Το SMPC τους επιτρέπει να το κάνουν αυτό. Ο διακομιστής βλέπει το συγκεντρωτικό αποτέλεσμα, αλλά μαθηματικά δεν μπορεί να το αναλύσει ξανά στα επιμέρους στοιχεία. Ο διακομιστής κυριολεκτικά δεν γνωρίζει ποιο νοσοκομείο έστειλε ποια ενημέρωση.

2. Διαφορική Ιδιωτικότητα (DP)

Όπως αναφέραμε στο άρθρο μας για την ιδιωτικότητα, προσθέτουμε στατιστικό θόρυβο στις τοπικές ενημερώσεις πριν φύγουν από το νοσοκομείο. Αυτό "θολώνει" τη συμβολή κάθε μεμονωμένου ασθενούς, καθιστώντας δυνατή τη μαθηματικά αποδεδειγμένη ανωνυμία.

Αντίκτυπος στον Πραγματικό Κόσμο

Αυτή τη στιγμή αναπτύσσουμε αυτή την τεχνολογία με μια κοινοπραξία ευρωπαϊκών ογκολογικών κέντρων. Εκπαιδεύουν ένα μοντέλο ανίχνευσης όγκων διασυνοριακά (Γερμανία, Γαλλία, Ολλανδία) χωρίς να παραβιάζουν ούτε έναν κανονισμό προστασίας δεδομένων. Λύνουν το πρόβλημα μεταφοράς δεδομένων «Schrems II» απλώς μη μεταφέροντας δεδομένα.

Αυτό είναι το μέλλον της ιατρικής έρευνας. Απελευθερώνει την τεράστια, εγκλωβισμένη αξία των δεδομένων υγείας παγκοσμίως. Μας επιτρέπει να καταπολεμήσουμε τις ασθένειες ως παγκόσμιο συλλογικό είδος, σεβόμενοι ταυτόχρονα την ιδιωτικότητα του ατόμου.

Δεν χρειάζεται να επιλέξουμε μεταξύ ιδιωτικότητας και υγείας. Δεν χρειάζεται να επιλέξουμε μεταξύ του ατόμου και του συνόλου. Με την Ομοσπονδιακή Μάθηση, μπορούμε να έχουμε και τα δύο.

Έτοιμοι να απελευθερώσετε τη δύναμη των δεδομένων υγείας σας χωρίς να διακυβεύσετε την ιδιωτικότητα των ασθενών; Η υποδομή Ομοσπονδιακής Μάθησης της Dweve επιτρέπει πρωτοποριακή ιατρική τεχνητή νοημοσύνη πέρα από θεσμικά όρια, διατηρώντας πλήρη συμμόρφωση με τον GDPR και τον HIPAA. Επικοινωνήστε μαζί μας για να μάθετε πώς η συνεργατική τεχνητή νοημοσύνη μπορεί να μεταμορφώσει τις ερευνητικές σας δυνατότητες.