sabato, Ottobre 5, 2024

La rilevazione dei tumori cerebrali maligni potrebbe essere migliorata di un terzo

Deve leggere

Lui lei MC Erasmus a Rotterdam trovato un modo per rilevare i tumori cerebrali maligni più velocemente in uno studio congiunto con Intel Labs e la Perelman School of Medicine presso l’Università della Pennsylvania (Penn Medicine). I ricercatori hanno usato una nuova tecnica per questo: l’apprendimento federato. Questo è un metodo di apprendimento automatico (ML) che utilizza l’intelligenza artificiale (AI). Le organizzazioni hanno affermato in un comunicato stampa che il progetto ha dimostrato di poter migliorare di un terzo il rilevamento dei tumori cerebrali.

È il più grande studio di educazione medica federale fino ad oggi, che esamina un set di dati globale senza precedenti da 71 istituzioni in sei continenti.

“L’apprendimento unificato ha un enorme potenziale in molte aree, in particolare nel settore sanitario”, ha affermato Jason Martin, ingegnere senior presso Intel Labs. “La capacità di proteggere informazioni e dati sensibili apre la porta a futuri studi e collaborazioni, in particolare nei casi in cui i set di dati sono inaccessibili”.

Facilitare l’accesso ai dati

L’accessibilità dei dati è stata a lungo un problema nel settore sanitario a causa delle leggi nazionali sulla protezione dei dati, incl Regolamento generale sulla protezione dei dati (regolamento generale sulla protezione dei dati). Ciò ha reso quasi impossibile condurre ricerche mediche e condividere dati su larga scala senza compromettere la privacy dei pazienti. L’hardware e il software Intel Unified Learning soddisfano i requisiti di privacy dei dati e proteggono l’integrità, la privacy e la sicurezza dei dati con il computing riservato.

Privacy dei dati

Il risultato Penn Medicine-Intel è stato ottenuto elaborando grandi quantità di dati in un sistema decentralizzato. Ciò è stato fatto utilizzando la tecnologia Intel Unified Learning in combinazione con Intel® Software Guard Extensions (SGX). Questa tecnologia rimuove le barriere alla condivisione dei dati che hanno ostacolato la collaborazione nella ricerca sul cancro e malattie simili. Il sistema risolve molti problemi di privacy dei dati mantenendo i dati grezzi all’interno della rete ospedaliera e consentendo solo l’invio di aggiornamenti del modello calcolati da tali dati a un server centrale o aggregatore, non i dati grezzi.

Personalizza il trattamento

“Da Erasmus MC, siamo stati in grado di contribuire a migliorare il rilevamento automatico del tumore attraverso questo studio educativo standardizzato, senza la necessità di inviare i dati del paziente”, spiega il radiologo Prof. Dr. Smits e il ricercatore biomedico Dr. van der Voort di Erasmus MC. “Il rilevamento automatico del tumore è un passo importante per la personalizzazione e il monitoraggio del trattamento e per lo sviluppo di questa metodologia è necessario utilizzare i dati di molte istituzioni diverse. Grazie a questa collaborazione, siamo stati in grado di farlo facilmente, pur mantenendo il controllo sui nostri dati.”

Una svolta nella collaborazione sicura

“L’apprendimento unificato rappresenta una svolta nel garantire una collaborazione multiistituzionale sicura. Consente l’accesso al set di dati più ampio e diversificato mai visto in letteratura. L’autore senior Spiridon Bacas, Ph.D., assistente professore di patologia, medicina di laboratorio e radiology, presso la Perelman School of Medicine dell’Università della Pennsylvania, ha dichiarato: “Tutti i dati sono sempre conservati all’interno di ciascuna organizzazione”. “Più dati possiamo inserire nei modelli di apprendimento automatico, più accurati diventano. Questo, a sua volta, migliorerà la nostra capacità di comprendere e trattare anche malattie rare, come il glioblastoma”.

READ  Erasmus MC Sophia inizia con la diagnosi rapida di bambini molto malati

Data warehouse aperti

Per migliorare il trattamento delle malattie, i ricercatori hanno bisogno di accedere a grandi quantità di dati medici, nella maggior parte dei casi set di dati che superano la soglia che una singola istituzione può produrre. La ricerca dimostra l’efficacia dell’apprendimento federato su larga scala e i potenziali benefici che l’assistenza sanitaria può apportare quando vengono aperti archivi di dati multi-sito. I vantaggi includono la diagnosi precoce della malattia, che può migliorare la qualità della vita o prolungare la vita di un paziente.

I risultati dello studio sono stati pubblicati sulla rivista, Comunicazioni sulla natura.

Ultimo articolo