慕尼黑亥姆霍兹大学、慕尼黑理工大学(TUM)及其本科医院研究所、波恩大学医院(UKB)和波恩大学的研究人员开发的一种算法能够跨不同的医疗机构独立学习。关键特征是它是自学习的,这意味着它不需要放射科医生在MRI图像中进行大量耗时的发现或标记。
该联合算法在维护数据隐私的同时,对来自四个机构的1500多名健康研究参与者进行了MRI扫描。然后,该算法被用于分析500多名患者的MRI扫描,以检测多发性硬化、血管疾病和该算法从未见过的各种形式的脑肿瘤等疾病。这为开发基于人工智能的高效联邦算法开辟了新的可能性,这些算法可以在保护隐私的同时自主学习。这项研究现已发表在《自然机器智能》杂志上。
目前,人工智能正在彻底改变医疗保健。通过精确的人工智能解决方案,医生可以在诊断中得到支持。然而,这种算法需要大量的数据和相关的放射专家发现来进行训练。然而,创建这样一个大型中央数据库对数据保护提出了特殊要求。此外,发现和注释的创建,例如MRI图像中的肿瘤标记,非常耗时。
为了克服这些挑战,来自慕尼黑亥姆霍兹、波恩大学医院和波恩大学的一个多学科团队与伦敦帝国理工学院(Imperial College London)的临床医生和研究人员以及伦敦理工大学(TUM)的本科医院研究所(University Hospital rechts der Isar)合作。目的是为大脑MRI图像开发一种基于人工智能的医学诊断算法,无需由放射科医生对任何数据进行注释或处理。此外,该算法将“联邦”训练:通过这种方式,算法“到达数据”,因此需要特殊保护的医学图像数据可以保留在各自的诊所中,而不必集中收集。
在没有数据交换的情况下从多个研究所学习
在他们的研究中,研究人员能够证明,他们开发的联邦人工智能算法优于仅使用单个机构数据训练的任何人工智能算法。“詹姆斯·苏罗维茨基(James Surowiecki)在他的《群体的智慧》(The With of Crowds)一书中指出,无论个人有多聪明,大群体的人都更聪明。基本上,这就是我们的联合人工智能算法的工作原理,”沙迪·阿尔巴库尼(Shadi Albarqouni)教授说,波恩大学医院诊断和介入放射学系计算医学成像研究教授,慕尼黑亥姆霍兹人工智能初级研究小组组长。为了汇集关于大脑MRI图像的知识,研究团队在不同和独立的医疗机构中训练AI算法,而不侵犯数据隐私或集中收集数据。
Albarqouni教授说:“一旦该算法了解了健康大脑的MRI图像,它将更容易检测疾病。要实现这一目标,需要参与机构之间的智能计算聚合和协调。”。帕金森病患者Benedikt Wiestler博士,塔姆大学医院研究所的高级医师,也参与了这项研究。他补充说,“根据来自不同中心的数据训练模型,这大大有助于我们的算法比仅使用来自一个中心的数据进行训练的其他算法更可靠地检测疾病。”
走向经济实惠的协作人工智能解决方案
通过保护患者数据,同时减少放射科医生的工作量,研究人员相信,他们的联合人工智能技术将大大推进数字医学。
“人工智能和医疗保健应该是负担得起的,这是我们的目标。通过我们的研究,我们朝着这个方向迈出了一步,”Albarqouni教授说。“我们的主要目标是开发人工智能算法,在不同的分散医疗机构(包括资源有限的医疗机构)进行合作培训。”