Aprendizaje en enjambre para el aprendizaje automático clínico descentralizado y confidencial

Área de la Ciencia:

• La inteligencia artificial en la medicina
• La bioinformática
• Privacidad de los datos

Sus antecedentes:

• La medicina de precisión tiene como objetivo la detección rápida y confiable de enfermedades complejas.
• El aprendizaje automático en los transcriptomas de la sangre puede identificar enfermedades como la leucemia.
• La legislación sobre privacidad plantea desafíos para la integración de diversos datos médicos.

Objetivo del estudio:

• Introducir el aprendizaje en enjambre, un enfoque descentralizado de aprendizaje automático.
• Facilitar la integración global de los datos médicos, respetando al mismo tiempo las leyes de privacidad.
• Demostrar la viabilidad del aprendizaje en enjambre para el desarrollo de clasificadores de enfermedades.

Principales métodos:

• Swarm Learning combina la computación de borde, la cadena de bloques y las redes entre pares.
• Un enfoque descentralizado que mantiene la confidencialidad sin un coordinador central.
• Aplicado a cuatro enfermedades heterogéneas: COVID-19, tuberculosis, leucemia y patologías pulmonares.

Principales resultados:

• Utilizó más de 16.400 transcriptomas de sangre y 95.000 imágenes de rayos X del pecho de 127 estudios.
• Los clasificadores de aprendizaje por enjambre demostraron un rendimiento superior en comparación con los modelos específicos del sitio.
• El enfoque cumple intrínsecamente con las regulaciones locales de confidencialidad de datos.

Conclusiones:

• Swarm Learning ofrece una solución de preservación de la privacidad para el análisis de datos médicos distribuidos.
• Este método descentralizado acelera el avance de la medicina de precisión.
• Permite una clasificación robusta de enfermedades en diversos conjuntos de datos y poblaciones de pacientes.