211service.com
Mazpazīstama AI metode var apmācīt jūsu veselības datus, neapdraudot jūsu privātumu
Džons Mūrs | Getty
2017. gadā Google klusi publicēja emuāra ierakstu par jaunu pieeju mašīnmācībai. Atšķirībā no standarta metodes, kurā dati ir jācentralizē vienā vietā, jaunā metode varētu mācīties no vairākiem datu avotiem, kas ir izplatīti vairākās ierīcēs. Izgudrojums ļāva Google apmācīt savu jutīgo teksta modeli visiem Android lietotāju nosūtītajiem un saņemtajiem ziņojumiem, nekad tos nelasot vai neizņemot no tālruņiem.
Neskatoties uz savu gudrību, apvienotā mācīšanās, kā to sauca pētnieki, tajā laikā AI kopienā guva nelielu piesaisti. Tagad tas ir gatavs mainīties, jo tas tiek pielietots pilnīgi jaunā jomā: tā pieeja, kas vispirms attiecas uz privātumu, varētu būt atbilde uz lielāko šķērsli, ar kuru mūsdienās saskaras AI ieviešana veselības aprūpē.
Pastāv nepatiesa dihotomija starp pacientu datu privātumu un datu lietderību sabiedrībai, saka Ramesh Raskar, MIT datorzinātņu asociētais profesors, kura pētījumi koncentrējas uz AI veselības jomā. Cilvēki neapzinās, ka smiltis slīd zem viņu kājām un ka tagad mēs varam vienlaikus sasniegt privātumu un lietderību.
Pēdējo desmit gadu laikā dziļās mācīšanās dramatiskais pieaugums ir novedis pie satriecošām pārvērtībām desmitiem nozaru. Tas ir veicinājis mūsu tiekšanos pēc pašbraucošām automašīnām, būtiski mainījis veidu, kā mēs mijiedarbojamies ar savām ierīcēm, un no jauna izgudrojis mūsu pieeju kiberdrošībai. Tomēr veselības aprūpē, neskatoties uz daudziem pētījumiem, kas liecina par to solījumu atklāt un diagnosticēt slimības, padziļinātās mācīšanās izmantošana, lai palīdzētu īstiem pacientiem, ir bijusi pārsteidzoši lēna.
Pašreizējo jaunāko algoritmu apgūšanai ir nepieciešams milzīgs datu apjoms — vairumā gadījumu, jo vairāk datu, jo labāk. Slimnīcām un pētniecības iestādēm ir jāapvieno savas datu rezerves, ja tās vēlas iegūt pietiekami lielu un daudzveidīgu datu kopumu, lai tie būtu noderīgi. Taču īpaši ASV un Apvienotajā Karalistē ideja centralizēt sensitīvas medicīniskās informācijas krājumus tehnoloģiju uzņēmumu rokās ir atkārtoti un nepārsteidzoši izrādījusies ļoti nepopulāra.
Rezultātā pētījumi par AI diagnostiskos lietojumus ir palikuši šauri pēc apjoma un pielietojamības. Jūs nevarat izmantot krūts vēža noteikšanas modeli visā pasaulē, ja tas ir apmācīts tikai dažiem tūkstošiem pacientu no vienas slimnīcas.
Tas viss varētu mainīties ar apvienoto mācīšanos. Šī metode var apmācīt modeli, izmantojot datus, kas glabājas vairākās dažādās slimnīcās, bez šiem datiem nekad neizejot no slimnīcas telpām vai pieskaroties tehnoloģiju uzņēmuma serveriem. Tas tiek darīts, vispirms apmācot atsevišķus modeļus katrā slimnīcā ar pieejamajiem vietējiem datiem un pēc tam nosūtot šos modeļus uz centrālo serveri, lai tos apvienotu galvenajā modelī. Tā kā katra slimnīca laika gaitā iegūst vairāk datu, tā var lejupielādēt jaunāko galveno modeli, atjaunināt to ar jaunajiem datiem un nosūtīt atpakaļ uz centrālo serveri. Procesa laikā nekad netiek apmainīti ar neapstrādātiem datiem — tikai modeļi, kurus nevar mainīt, lai atklātu šos datus.
Apvienotajai apmācībai ir daži izaicinājumi. Pirmkārt, atsevišķu modeļu apvienošana var radīt galveno modeli, kas faktiski ir sliktāks par katru tā daļu. Pētnieki tagad strādā pie esošo metožu uzlabošanas, lai pārliecinātos, ka tas nenotiek, saka Raskars. No otras puses, apvienotajai apmācībai katrā slimnīcā ir jābūt infrastruktūrai un personāla iespējām mašīnmācības modeļu apmācībai. Pastāv arī berze, standartizējot datu vākšanu visās slimnīcās. Taču šie izaicinājumi nav nepārvarami, saka Raskars: Ir jāpaveic vairāk darba, taču tas galvenokārt ir band-Aid darbs.
Faktiski vispirms ir cita privātums izplatītas mācīšanās metodes kopš tā laika ir radušās, reaģējot uz šiem izaicinājumiem. Piemēram, Raskars un viņa skolēni nesen izgudroja tādu, ko sauc par dalīto mācīšanos. Tāpat kā federālajā apmācībā, katra slimnīca sāk apmācīt atsevišķus modeļus, bet viņi to apmāca tikai pusceļā. Pēc tam pusgatavie modeļi tiek nosūtīti uz centrālo serveri, lai tos apvienotu un pabeigtu apmācību. Galvenais ieguvums ir tāds, ka tas nedaudz atvieglotu skaitļošanas slogu slimnīcām. Šī metode joprojām galvenokārt ir koncepcijas pierādījums, taču agrīnās testēšanas laikā Raskara pētnieku komanda parādīja, ka tā izveidoja gandrīz tikpat precīzu galveno modeli, kāds tas būtu, ja tas tiktu apmācīts centralizētā datu kopā.
Daži uzņēmumi, tostarp IBM Research, tagad strādā pie apvienotās apmācības izmantošanas, lai uzlabotu reālās pasaules AI lietojumprogrammas veselības aprūpei. Owkin, Parīzē bāzēts jaunuzņēmums atbalsta uzņēmums Google Ventures , izmanto to arī, lai prognozētu pacientu rezistenci pret dažādām ārstēšanas metodēm un zālēm, kā arī viņu izdzīvošanas rādītājus ar noteiktām slimībām. Uzņēmums sadarbojas ar vairākiem vēža pētniecības centriem ASV un Eiropā, lai izmantotu to datus saviem modeļiem. Sadarbības rezultātā jau ir tapis zinātniskais dokuments, saskaņā ar dibinātāju teikto, par jaunu modeli, kas, pamatojoties uz pacienta patoloģijas attēliem, prognozē retas vēža formas izdzīvošanas izredzes. Šis raksts spers lielu soli, lai apstiprinātu šīs tehnikas priekšrocības reālajā pasaulē.
Esmu patiešām sajūsmā, saka Owkin līdzdibinātājs Tomass Klozels, klīniskās izpētes ārsts. Lielākā barjera onkoloģijā mūsdienās ir zināšanas. Tas ir patiešām pārsteidzoši, ka mums tagad ir tiesības iegūt šīs zināšanas un veikt medicīniskus atklājumus.
Raskars uzskata, ka izkliedētās mācīšanās lietojumprogrammas varētu aptvert daudz tālāk par veselības aprūpi jebkurā nozarē, kurā cilvēki nevēlas koplietot savus datus. Viņš saka, ka izplatītās, neuzticīgās vidēs tas nākotnē būs ļoti, ļoti spēcīgs.
Šis stāsts sākotnēji parādījās mūsu AI informatīvajā izdevumā The Algorithm. Lai tas tiktu tieši piegādāts jūsu iesūtnē, reģistrējieties šeit bez maksas.