Federated learning: Samen machine learning-algoritmes trainen zonder patiëntdata te delen

29 zorg- en onderzoeksinstellingen uit Nederland, de Verenigde Staten, Canada, het Verenigd Koninkrijk, Duitsland, Zwitserland en India zetten federated learning in voor de identificatie van hersentumoren. Federated learning is een vorm van machine learning waarbij instanties samenwerken aan het trainen van algoritmes, zonder hiervoor patiëntdata te delen en de privacy van patiënten aan te tasten. Het project wordt uitgevoerd in samenwerking met Perelman School of Medicine van de University of Pennsylvania (Penn Medicine) en Intel Labs.

In 2019 kregen 1.338 mensen een hersentumor, blijkt uit gegevens van KWF Kanker Bestrijding. Het gaat hierbij uitsluitend om kwaadaardige hersentumoren. 871 mensen stierven in 2018 in Nederland aan een hersentumor. De 5-jaarsoverlevingskans is 24%.

Federated learning

Federated learning kan de identificatie van hersentumoren mogelijk verbeteren. Deze gedistribueerde vorm van machine learning is in 2017 door Google geïntroduceerd. De technologie maakt het mogelijk samen te werken aan deep learning-projecten, zonder hierbij patiëntdata te delen. Op basis van de aanpak die Google introduceerde, ontwikkelde Intel Labs en Penn Medicine een technologie. Een samenwerkingsverband van 29 internationals zorg- en onderzoeksinstellingen zet deze technologie nu in om gezamenlijk AI-modellen te trainen. In Nederland neemt het Erasmus MC in Rotterdam deel aan het project.

De AI-modellen worden met behulp van federated learning getraind op het identificeren van hersentumoren. Penn Medicine en Intel Labs publiceerden in 2018 een paper over federated learning. Met deze paper wilden de partijen aantonen dat deze technologie een model kan trainen met een nauwkeurigheid van 99%. Dit zonder impact op betrokkenen wiens data wordt gebruikt voor het trainen van de modellen. Bij het nieuwe onderzoek met deze technologie wordt gebruikt gemaakt van software en hardware van Intel.

Voldoende en gevarieerde data vereist

“Onze wetenschappelijke community deelt over het algemeen de mening dat machine-learning-training voldoende en gevarieerde data vereist en veel meer dan waarover elke aparte instelling beschikt”, zegt hoofdonderzoeker Dr. Spyridon Bakas van het Center for Biomedical Image Computing and Analytics (CBICA) van de University of Pennsylvania.

“We coördineren een verband van 29 samenwerkende internationale instellingen voor gezondheidszorg en onderzoek, die state-of-the-art AI-modellen voor de gezondheidszorg kunnen trainen met behulp van privacy-respecterende machine-learning-technologieën, waaronder federated learning. Dit jaar begint het verband met het ontwikkelen van algoritmen die hersentumoren identificeren uit een sterk uitgebreide versie van de International Brain Tumor Segmentation (BraTS) challenge-dataset. Deze samenwerking geeft medische onderzoekers toegang tot veel grotere hoeveelheden data uit de gezondheidszorg, terwijl de beveiliging van die data wordt gewaarborgd.”

‘Veelbelovend voor vroege opsporing’

“AI is veelbelovend voor de vroege opsporing van hersentumoren, maar er zijn meer data nodig dan elk medisch centrum zelf heeft om het volledige potentieel te bereiken. Met behulp van Intel-software en -hardware en ondersteuning van enkele van de slimste mensen van Intel Labs, werken we samen met de Universiteit van Pennsylvania en een verband van 29 medische centra om de identificatie van hersentumoren te bevorderen en gevoelige patiëntdata te beschermen”, aldus Jason Martin, hoofdingenieur bij Intel Labs.

Penn Medicine krijgt een bedrag van 1,2 miljoen dollar om de komende drie jaar onderzoek te doen naar federated learning. De financiering is beschikbaar gesteld door het Informatics Technology for Cancer Research-program (ITCR) van het National Cancer Institute (NCI) van de National Institutes of Health (NIH).

De paper die Penn Medicine en Intel Labs in januari 2019 over federated learning publiceerden is hier te vinden. De blogpost waarin Google in 2017 federated learning introduceerde is hier beschikbaar.

Auteur: Wouter Hoeffnagel