宾夕法尼亚大学（Penn Medicine）的英特尔实验室和佩雷尔曼医学院完成了联合研究使用联合学习 - 一种分布式机器学习（ML）人工智能（AI）方法 - 帮助国际医疗保健和研究机构确定恶性脑肿瘤。迄今为止，最大的医学联邦学习研究是从六大大洲的71个机构检查的前所未有的全球数据集进行的，该项目证明了将脑肿瘤检测提高33％的能力。
"Federated learning has tremendous potential across numerous domains, particularly within healthcare, as shown by our research with Penn Medicine. Its ability to protect sensitive information and data opens the door for future studies and collaboration, especially in cases where datasets would otherwise be inaccessible. Our work with Penn Medicine has the potential to positively impact patients across the globe and we look forward to continuing to explore the promise of federated learning."
-Jason Martin，英特尔实验室首席工程师
为什么重要：
由于州和国家数据隐私法，包括《健康保险携带性和问责法》（HIPAA），数据可访问性长期以来一直是医疗保健中的一个问题。因此，如果不损害患者健康信息，就几乎无法实现医学研究和数据共享。英特尔的联合学习硬件和软件符合数据隐私问题，并通过机密计算保留数据完整性，隐私和安全性。
Penn Medicine-Intel结果是通过使用Intel Federated学习技术与Intel®软件守卫扩展（SGX）在分散系统中处理大量数据来实现的，该技术可以消除历史上可以阻止在类似癌症和疾病研究方面合作的数据共享障碍。该系统通过将原始数据保留在数据持有人的计算基础架构中，并仅允许从该数据计算的模型更新将其发送到中央服务器或聚合器，而不是数据本身，从而解决了许多数据隐私问题。
Enderle Group主要分析师Rob Enderle说：“世界上所有的计算能力都无法做到很多。” “这种无法分析已经被捕获的数据显着延迟了AI承诺的巨大医疗突破。这项联邦学习研究为AI促进并发挥了其最强大的工具，成为抗击我们最困难的疾病的最强大工具。”
解释器： 联合学习体系结构（PDF）
高级作家Spyridon痕迹Perelman医学院病理学与实验室医学和放射学助理教授博士说：“在这项研究中，联邦学习表明了它的潜力，可以通过启用最大和最多样化的GlioBlastoma患者数据集的范式来确保多元化合作的范式转移，同时所有的数据都可以保留在本机构中，我们可以将所有的数据保留在本机构中，我们可以将其供应到更多的数据。它们变得准确，这反过来又可以提高我们理解和治疗罕见疾病的能力，例如胶质母细胞瘤。”
为了促进疾病的治疗，研究人员必须访问大量医疗数据 - 在大多数情况下，超过一个设施可以产生的阈值的数据集。该研究表明，在大规模上学习联邦学习的有效性以及医疗保健行业可以意识到的何时解锁多站点数据时的潜在利益。益处包括早期发现疾病，可以改善生活质量或增加患者的寿命。
Penn Medicint-Intel Labs研究的结果发表在同行评审期刊上，自然通讯。
关于研究：
2020年，英特尔和宾夕法尼亚医学宣布同意合作并使用联邦学习来改善肿瘤检测并改善一种罕见的癌症形式的治疗结果，称为胶质母细胞瘤（GBM），胶质母细胞瘤（GBM）是标准治疗后仅14个月的中位生存期最常见和最致命的成人脑肿瘤。尽管治疗方案在过去20年中有所扩大，但总体存活率并没有提高。这项研究由癌症研究计划的信息技术来自美国国家卫生研究院国家癌症研究所。
Penn Medicine和71国际医疗/研究机构使用英特尔联邦学习硬件和软件来改善对罕见癌症边界的检测。放射科医生使用了一个新的名为联合肿瘤分割（FET）的最先进的AI软件平台来确定肿瘤的边界，并改善对肿瘤或“肿瘤核心”的“可操作区域”的鉴定。放射科医生注释他们的数据并使用了开放的联邦学习（OpenFL）是用于训练机器学习算法的开源框架，用于进行联合培训。该平台接受了来自六大大洲6,314名GBM患者的370万张图像的培训，迄今为止是最大的脑肿瘤数据集。
接下来是什么：
通过这个项目，英特尔实验室和宾夕法尼亚医学为使用联合学习从数据中获取知识的概念证明。该解决方案可以显着影响医疗保健和其他研究领域，特别是在其他类型的癌症研究中。具体而言，英特尔开发了OpenFL开源项目，以使客户能够采用现实世界中的跨核心联合学习，并自信地将其部署在Intel SGX上。此外，新颖的FET倡议是作为协作网络建立的，旨在提供一个持续开发的平台，并鼓励与FETS平台和Intel的OpenFL OpenFL开源工具包合作，均在GitHub上可用。
