Intel Labs y la Escuela de Medicina Perelman de la Universidad de Pensilvania (Penn Medicine) han realizado un estudio de investigación conjunto que utiliza el aprendizaje federado -un enfoque de inteligencia artificial (IA) de aprendizaje automático distribuido- para ayudar a las instituciones internacionales de atención sanitaria e investigación a identificar tumores cerebrales malignos. El mayor estudio de aprendizaje federado médico realizado hasta la fecha, que ha contado con un conjunto de datos a nivel mundial sin precedentes, examinados en 71 instituciones de seis continentes, demostró la capacidad de mejorar la detección de tumores cerebrales en un 33%.
La accesibilidad de los datos ha sido durante mucho tiempo un problema en la atención sanitaria debido a las leyes estatales y nacionales sobre la privacidad de éstos, incluida la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA). Debido a ello, la investigación médica y el intercambio de datos a escala han sido casi imposibles de lograr sin comprometer la información de salud de los pacientes. El hardware y el software de aprendizaje federado de Intel cumplen con las exigencias de privacidad de los datos y preservan la integridad y la seguridad de los datos mediante la informática confidencial.
El resultado de Penn Medicine Intel se logró mediante el procesamiento de grandes volúmenes de datos en un sistema descentralizado que utiliza la tecnología de aprendizaje federado de Intel emparejada con Intel Software Guard Extensions (SGX), que elimina las barreras de intercambio de datos que históricamente han impedido la colaboración en investigaciones similares sobre el cáncer y las enfermedades. El sistema resuelve numerosos problemas de privacidad de los datos al mantener los datos en bruto dentro de la infraestructura informática de los titulares de los datos y permitir únicamente el envío de las actualizaciones de los modelos calculados a partir de esos datos a un servidor central o agregador, no los datos en sí.
El proyecto
Para avanzar en el tratamiento de las enfermedades, los investigadores deben acceder a grandes cantidades de datos médicos; en la mayoría de los casos, conjuntos de datos que superan el umbral que puede producir un solo centro. La investigación demuestra la eficacia del aprendizaje federado a escala y los beneficios potenciales que el sector sanitario puede obtener cuando se desbloquean los silos de datos de varios centros. Entre los beneficios se encuentra la detección precoz de enfermedades, que podría mejorar la calidad de vida o aumentar la esperanza de vida del paciente.
A través de este proyecto, Intel Labs y Penn Medicine han creado una prueba de concepto para utilizar el aprendizaje federado para obtener conocimientos de los datos. La solución puede afectar significativamente a la asistencia sanitaria y a otras áreas de estudio, especialmente entre otros tipos de investigación sobre el cáncer. En concreto, Intel ha desarrollado el proyecto de código abierto OpenFL para que los clientes puedan adoptar el aprendizaje federado en el mundo real y desplegarlo con confianza en Intel SGX. Además, la novedosa iniciativa FeTS se estableció como una red de colaboración para proporcionar una plataforma de desarrollo continuo y fomentar la colaboración con la plataforma FeTS y el kit de herramientas de código abierto OpenFL de Intel, ambos disponibles en GitHub.
