فعال کردن پیشرفت های سلامت مبتنی بر هوش مصنوعی بدون قربانی کردن حریم خصوصی بیمار | اخبار MIT

در تقاطع هوش مصنوعی و مراقبت های بهداشتی هیجان زیادی وجود دارد. هوش مصنوعی قبلاً برای بهبود درمان و تشخیص بیماری، کشف داروهای جدید امیدوارکننده، شناسایی پیوند بین ژن ها و بیماری ها و موارد دیگر استفاده شده است.

با تجزیه و تحلیل مجموعه داده‌های بزرگ و یافتن الگوها، تقریباً هر الگوریتم جدیدی پتانسیل کمک به بیماران را دارد – محققان هوش مصنوعی برای آموزش و آزمایش آن الگوریتم‌ها فقط به داده‌های مناسب دسترسی دارند. به طور قابل درک، بیمارستان ها در به اشتراک گذاشتن اطلاعات حساس بیمار با تیم های تحقیقاتی مردد هستند. زمانی که آنها داده‌ها را به اشتراک می‌گذارند، تأیید اینکه محققان فقط از داده‌های مورد نیاز خود استفاده می‌کنند و پس از اتمام آن‌ها را حذف می‌کنند، دشوار است.

Secure AI Labs (SAIL) این مشکلات را با فناوری حل می کند که به الگوریتم های هوش مصنوعی اجازه می دهد روی مجموعه داده های رمزگذاری شده ای اجرا شوند که هرگز از سیستم صاحب داده خارج نمی شوند. سازمان‌های مراقبت‌های بهداشتی می‌توانند نحوه استفاده از مجموعه داده‌های خود را کنترل کنند، در حالی که محققان می‌توانند از محرمانه بودن مدل‌ها و درخواست‌های جستجو محافظت کنند. هیچ یک از طرفین نیازی به دیدن داده ها یا مدل برای همکاری ندارند.

پلتفرم SAIL همچنین می‌تواند داده‌ها را از منابع متعدد ترکیب کند و بینش‌های غنی ایجاد کند که الگوریتم‌های مؤثرتری را تقویت می‌کند.

مانولیس کلیس، بنیانگذار SAIL و پروفسور MIT، که شرکت را با مدیر عامل آن کیم ’16, SM’ بنیانگذاران کرده است، می گوید: “نباید قبل از اینکه بتوانید الگوریتم یادگیری ماشین خود را اجرا کنید با مدیران بیمارستان به مدت 5 سال همکلاسی کنید.” 17. “هدف ما کمک به بیماران، کمک به دانشمندان یادگیری ماشینی و ایجاد روش های درمانی جدید است. ما می‌خواهیم الگوریتم‌های جدید – بهترین الگوریتم‌ها – در بزرگترین مجموعه داده‌های ممکن اعمال شوند.

SAIL قبلاً با بیمارستان ها و شرکت های علوم زیستی برای باز کردن قفل داده های ناشناس برای محققان همکاری کرده است. این شرکت امیدوار است در سال آینده با حدود نیمی از 50 مرکز برتر پزشکی دانشگاهی در کشور همکاری کند.

رها کردن پتانسیل کامل هوش مصنوعی

کیم به‌عنوان دانشجوی کارشناسی در MIT که در رشته علوم کامپیوتر و زیست‌شناسی مولکولی تحصیل می‌کرد، با محققان در آزمایشگاه علوم رایانه و هوش مصنوعی (CSAIL) برای تجزیه و تحلیل داده‌های آزمایش‌های بالینی، مطالعات مرتبط با ژن، بخش‌های مراقبت‌های ویژه بیمارستان و موارد دیگر کار کرد.

کیم می‌گوید: «من متوجه شدم که چیزی در اشتراک‌گذاری داده‌ها به شدت خراب است، چه بیمارستان‌هایی که از هارد دیسک استفاده می‌کنند، یا پروتکل انتقال فایل قدیمی، یا حتی ارسال چیزها از طریق نامه». “همه چیز به خوبی ردیابی نشده بود.”

کلیس، که همچنین یکی از اعضای مؤسسه براد MIT و هاروارد است، سال‌ها با بیمارستان‌ها و کنسرسیوم‌ها در زمینه طیف وسیعی از بیماری‌ها از جمله سرطان، بیماری قلبی، اسکیزوفرنی و چاقی همکاری کرده است. او می‌دانست که تیم‌های تحقیقاتی کوچک‌تر برای دستیابی به همان داده‌هایی که آزمایشگاهش با آنها کار می‌کند، با مشکل مواجه خواهند شد.

در سال 2017، کلیس و کیم تصمیم گرفتند فناوری را که در حال توسعه بودند تجاری سازی کنند تا به الگوریتم های هوش مصنوعی اجازه دهند روی داده های رمزگذاری شده اجرا شوند.

در تابستان 2018، کیم در شتاب دهنده استارتاپ delta v شرکت کرد که توسط مرکز اعتماد مارتین برای کارآفرینی MIT اداره می شد. بنیانگذاران همچنین از صندوق نوآوری Sandbox و سرویس مشاوره مخاطره‌آمیز حمایت دریافت کردند و از طریق شبکه MIT خود ارتباطات اولیه مختلفی را ایجاد کردند.

برای شرکت در برنامه SAIL، بیمارستان‌ها و سایر سازمان‌های مراقبت‌های بهداشتی با ایجاد یک گره در پشت دیوار آتش، بخش‌هایی از داده‌های خود را در دسترس محققان قرار می‌دهند. SAIL سپس الگوریتم‌های رمزگذاری شده را به سرورهایی که مجموعه داده‌ها در آن‌جا قرار دارند در فرآیندی به نام یادگیری فدرال می‌فرستد. الگوریتم‌ها داده‌ها را به صورت محلی در هر سرور خرد می‌کنند و نتایج را به یک مدل مرکزی منتقل می‌کنند که خود به‌روزرسانی می‌شود. هیچ کس – نه محققین، صاحبان داده ها، یا حتی SAIL – به مدل ها یا مجموعه داده ها دسترسی ندارند.

این رویکرد به مجموعه بسیار گسترده تری از محققان اجازه می دهد تا مدل های خود را در مجموعه داده های بزرگ اعمال کنند. برای تعامل بیشتر با جامعه تحقیقاتی، آزمایشگاه Kellis در MIT شروع به برگزاری مسابقاتی کرده است که در آن به مجموعه داده ها در زمینه هایی مانند عملکرد پروتئین و بیان ژن دسترسی می دهد و محققان را برای پیش بینی نتایج به چالش می کشد.

Kellis می گوید: «ما از محققان یادگیری ماشین دعوت می کنیم که بیایند و بر اساس داده های سال گذشته آموزش ببینند و داده های امسال را پیش بینی کنند. «اگر نوع جدیدی از الگوریتم را ببینیم که در این ارزیابی‌های سطح جامعه بهترین عملکرد را دارد، مردم می‌توانند آن را به صورت محلی در بسیاری از مؤسسات مختلف اتخاذ کنند و زمین بازی را یکسان کنند. بنابراین، تنها چیزی که اهمیت دارد، کیفیت الگوریتم شماست تا قدرت اتصالات شما.”

فناوری SAIL با فعال کردن تعداد زیادی از مجموعه داده‌ها برای ناشناس‌سازی در بینش‌های کلی، به محققان اجازه می‌دهد تا بیماری‌های نادر را مطالعه کنند، که در آن مجموعه‌های کوچکی از داده‌های مربوط به بیماران اغلب در بین بسیاری از مؤسسات پخش می‌شوند. این از لحاظ تاریخی استفاده از مدل‌های هوش مصنوعی را دشوار کرده است.

Kellis می گوید: “ما امیدواریم که همه این مجموعه داده ها در نهایت باز شوند.” ما می‌توانیم تمام سیلوها را برش دهیم و عصر جدیدی را ایجاد کنیم که در آن هر بیمار مبتلا به هر اختلال نادر در سراسر جهان بتواند با یک ضربه کلید جمع شود تا داده‌ها را تجزیه و تحلیل کند.»

فعال کردن داروی آینده

SAIL برای کار با حجم زیادی از داده ها در مورد بیماری های خاص، به طور فزاینده ای به دنبال همکاری با انجمن های بیماران و کنسرسیوم های گروه های مراقبت های بهداشتی، از جمله یک شرکت مشاوره مراقبت های بهداشتی بین المللی و انجمن سرطان کلیه است. این شراکت‌ها همچنین SAIL را با بیماران، گروهی که بیشتر تلاش می‌کنند به آنها کمک کنند، هماهنگ می‌کند.

به طور کلی، بنیانگذاران از دیدن حل مشکلات SAIL در آزمایشگاه های خود برای محققان در سراسر جهان خوشحال هستند.

“محل مناسب برای حل این یک پروژه دانشگاهی نیست. مکان مناسب برای حل این مشکل در صنعت است، جایی که ما می توانیم بستری را نه تنها برای آزمایشگاه من بلکه برای هر محققی فراهم کنیم. «این در مورد ایجاد اکوسیستمی از دانشگاه، محققان، داروسازی، بیوتکنولوژی و شرکای بیمارستانی است. من فکر می‌کنم این ترکیب همه این حوزه‌های مختلف است که چشم‌انداز پزشکی آینده را به واقعیت تبدیل می‌کند.»