Federerad inlärning för vården: bota cancer utan att dela data

Federerad inlärning för vården: bota cancer utan att dela data

The Data Silo Tragedy

Imagine there are five major research hospitals in Europe: in Berlin, Paris, Amsterdam, Milan, and Madrid. Each hospital has 1,000 patients with a specific, rare form of pediatric leukemia. A sample size of 1,000 is too small to train a reliable Deep Learning model to detect the disease early. The model overfits; it learns the specific quirks of the Berlin scanner rather than the pathology of the cancer.

However, if you could combine the datasets, you would have 5,000 patients: a dataset large enough to train a breakthrough diagnostic AI that could save thousands of lives.

In the old world, this was impossible. GDPR in Europe, HIPAA in the US, and strict patient confidentiality rules strictly forbid sending raw patient records from Hospital A to Hospital B, or uploading them to a central cloud server owned by a tech giant.

So the data sits in silos. The AI is never trained. The pattern remains undiscovered. Patients die.

This is the tragedy of data privacy vs. medical progress. It is a deadlock. But it is a deadlock we can break with mathematics.

Federerad inlärning: Omvändningen av träning

Federerad inlärning (FL) vänder helt och hållet på det standardmässiga paradigmet för AI-träning.

Standardmetoden (centraliserad): Samla all data från alla källor i en massiv central datasjö. Träna modellen på sjön.

Den federerade metoden (decentraliserad): Lämna datan där den är. Skicka modellen till datan.

Så här fungerar det i praktiken, steg för steg:

1. Initiering: En central server (koordinatorn) skapar en "tom" eller förtränad global modell.
2. Distribution: Servern skickar en kopia av modellen till vart och ett av de 5 sjukhusen.
3. Lokal träning: Varje sjukhus tränar modellen lokalt på sin egen privata patientdata. Träningen sker på sjukhusets egna säkra servrar, bakom deras brandvägg. Den råa patientdatan lämnar aldrig källaren.
4. Generering av uppdateringar: Den lokala träningsprocessen producerar en "modelluppdatering": en uppsättning matematiska justeringar av vikterna (synapserna) i det neurala nätverket. Den säger i huvudsak: "För att känna igen cancer bättre, justera neuron #45 uppåt med 0,1 och neuron #92 nedåt med 0,05."
5. Aggregering: Sjukhuset skickar endast denna modelluppdatering (matematiken) tillbaka till den centrala servern. Inga patientnamn, inga röntgenbilder, inga blodprovsresultat. Bara en fil med flyttal.
6. Medelvärdesberäkning: Den centrala servern samlar in uppdateringarna från alla 5 sjukhusen. Den beräknar medelvärdet av dem (med en algoritm som Federerad medelvärdesberäkning) för att skapa en ny, smartare global modell.
7. Upprepa: Den nya globala modellen skickas tillbaka till sjukhusen, och cykeln upprepas.

Den matematiska magin

Det magiska med denna process är att den globala modellen blir smartare som om den hade tränats på alla 5 000 patienter, trots att den aldrig faktiskt "såg" någon av dem direkt. Den lär sig sjukdomens mönster (som är gemensamma för alla sjukhus) utan att lära sig patienternas identiteter (som är unika för varje sjukhus).

Den frikopplar förmågan att lära från behovet av att se.

Försvar på djupet: SMPC och differentiell integritet

Paranoida säkerhetsingenjörer (som vi på Dweve) kommer att fråga: "Men kan ni inte reverse-engineeringa patientdata från modelluppdateringen?"

Det är en berättigad oro. I teorin, om en modelluppdatering är mycket specifik, kan en skadlig central server möjligen sluta sig till att "Patient X på sjukhuset i Berlin måste ha haft tillstånd Y."

För att förhindra detta lägger Dweve på två ytterligare kryptografiska teknologier ovanpå federerad inlärning:

1. Säker flerpartsberäkning (SMPC)

Detta är ett kryptografiskt protokoll som gör att den centrala servern kan beräkna summan av uppdateringarna utan att någonsin se de enskilda uppdateringarna.

Tänk dig att tre personer vill beräkna sin genomsnittslön, men ingen vill avslöja sin lön för de andra. SMPC gör det möjligt för dem att göra detta. Servern ser det aggregerade resultatet, men kan matematiskt inte dekomponera det tillbaka till de enskilda indata. Servern vet bokstavligen inte vilket sjukhus som skickade vilken uppdatering.

2. Differentiell integritet (DP)

Som diskuterats i vår integritetsartikel lägger vi till statistiskt brus till de lokala uppdateringarna innan de lämnar sjukhuset. Detta "suddar ut" bidraget från varje enskild patient, vilket gör matematiskt bevisad anonymitet möjlig.

Effekt i verkligheten

Vi håller just nu på att införa den här tekniken tillsammans med ett konsortium av europeiska onkologicenter. De tränar en tumördetekteringsmodell över landsgränserna (Tyskland, Frankrike, Nederländerna) utan att bryta mot en enda integritetsreglering. De löser problemet med dataöverföring enligt Schrems II genom att helt enkelt inte överföra data.

Det här är framtiden för medicinsk forskning. Det frigör det enorma, outnyttjade värdet i världens hälsodata. Det gör att vi kan bekämpa sjukdomar som en global kollektiv art, samtidigt som vi respekterar den enskilda individens integritet.

Vi behöver inte välja mellan integritet och hälsa. Vi behöver inte välja mellan individen och kollektivet. Med federerat lärande kan vi få både och.

Redo att frigöra kraften i dina hälso- och sjukvårdsdata utan att kompromissa med patienternas integritet? Dweves infrastruktur för federerat lärande möjliggör banbrytande medicinsk AI över institutionsgränserna, med full efterlevnad av GDPR och HIPAA. Kontakta oss för att få veta hur samverkande AI kan förändra era forskningsmöjligheter.