Kā AI varētu glābt dzīvības, neizpaužot medicīniskos noslēpumus

Konceptuāls AI un drošības ilustrācija Ariels Deiviss

Mākslīgā intelekta potenciāls, lai pārveidotu veselības aprūpi, ir milzīgs, taču tajā ir liela nozveja.

AI algoritmiem būs nepieciešams milzīgs medicīnisko datu apjoms, ko izmantot, lai mašīnmācība varētu sniegt efektīvus jaunus veidus, kā noteikt un izprast slimības cēloni. Tas nozīmē attēlus, genoma informāciju vai elektroniskus veselības ierakstus — visa šī informācija var būt ļoti sensitīva.

Tāpēc pētnieki strādā pie veidiem, kā ļaut AI mācīties no liela apjoma medicīnisko datu, vienlaikus apgrūtinot šo datu noplūdi.

Viena daudzsološa pieeja tagad ir pirmais lielais tests Stenfordas Medicīnas skolā Kalifornijā. Pacienti var izvēlēties pievienot savus medicīniskos datus AI sistēmai, kuru var apmācīt diagnosticēt acu slimības, nekad nepiekļūstot viņu personas datiem.

Dalībnieki iesniedz oftalmoloģisko pārbaužu rezultātus un veselības ierakstu datus, izmantojot lietotne . Informācija tiek izmantota, lai apmācītu mašīnmācības modeli, lai attēlos identificētu acu slimību pazīmes (piemēram, diabētiskā retinopātija un glaukoma). Bet datus aizsargā tehnoloģija, ko izstrādājusi Oasis Labs, starta uzņēmums, kas izveidots no UC Berkeley, kas garantē, ka informāciju nevar nopludināt vai ļaunprātīgi izmantot. Stenfordas Medicīnas skola pagājušajā nedēļā saņēma atļauju uzsākt izmēģinājumu, sadarbojoties ar UC Berkeley, Stanford un ETH Cīrihes pētniekiem.

Privāto pacientu datu jutīgums ir draudoša problēma. AI algoritmi, kas apmācīti, pamatojoties uz datiem no dažādām slimnīcām, potenciāli varētu diagnosticēt slimības, novērst slimības un pagarināt dzīvi. Taču daudzās valstīs medicīniskos ierakstus nevar viegli koplietot un izmantot šiem algoritmiem juridisku iemeslu dēļ. Pētījumi par AI izmantošanu slimību noteikšanai medicīniskos attēlos vai datos parasti ietver salīdzinoši nelielas datu kopas, kas ievērojami ierobežo tehnoloģijas solījumu.

Ir ļoti aizraujoši to izdarīt, izmantojot reālus klīniskos datus, saka Rītausmas dziesma , Oasis Labs līdzdibinātājs un UC Berkeley profesors. Mēs patiešām varam parādīt, ka tas darbojas.

Oasis glabā privātos pacientu datus drošā mikroshēmā, kas izstrādāta sadarbībā ar citiem Bērklijas pētniekiem. Dati paliek Oasis mākonī; nepiederošas personas var palaist datu algoritmus un saņemt rezultātus, nekad neizejot no sistēmas. Viedais līgums — programmatūra, kas darbojas virs blokķēdes — tiek aktivizēta, kad tiek saņemts pieprasījums piekļūt datiem. Šī programmatūra reģistrē, kā dati tika izmantoti, kā arī pārbauda, ​​vai mašīnmācības aprēķins tika veikts pareizi.

Tas parādīs, ka mēs varam palīdzēt pacientiem sniegt datus, aizsargājot privātumu, saka Song. Viņa saka, ka acu slimību modelis kļūs precīzāks, jo tiks savākti vairāk datu.

Šāda tehnoloģija varētu arī atvieglot AI piemērošanu citai sensitīvai informācijai, piemēram, finanšu ierakstiem vai personu pirkšanas paradumiem vai tīmekļa pārlūkošanas datiem. Song saka, ka plāns ir paplašināt medicīnisko lietojumprogrammu, pirms tiek meklētas citas jomas.

Viss jēdziens par aprēķinu veikšanu, saglabājot datu noslēpumu, ir neticami spēcīgs, saka Deivids Evanss , kurš Virdžīnijas Universitātē specializējas mašīnmācībā un drošībā. Piemēram, ja to izmanto slimnīcās un pacientu grupās, mašīnmācīšanās var atklāt pilnīgi jaunus veidus, kā slimības saistīt ar genomiku, testu rezultātiem un citu pacientu informāciju.

Jums patiktu, ja medicīnas pētnieks varētu mācīties ikviena medicīniskajos dokumentos, saka Evans. Jūs varētu veikt analīzi un noteikt, vai zāles nedarbojas. Bet šodien jūs to nevarat izdarīt.

Neskatoties uz potenciālo Oasis pārstāvi, Evans ir piesardzīgs. Viņš atzīmē, ka datu glabāšana drošā aparatūrā rada potenciālu kļūmes punktu. Ja uzņēmums, kas ražo aparatūru, ir apdraudēts, tad arī visi šādi apstrādātie dati būs neaizsargāti. Viņš piebilst, ka blokķēdes ir salīdzinoši nepierādītas.

Viņš saka par Oasis pieeju, apvienojumā ir daudz dažādu tehnoloģiju. Daži no tiem ir nobrieduši, un daži ir vismodernākie un ar izaicinājumiem.

paslēpties