AI en federated learning kan detectie van hersentumoren met 33% verbeteren

Kunstmatige intelligentie en in het specifiek federated learning kan de detectie van hersentumoren met maar liefst 33% verbeteren. Dit blijkt uit een gezamenlijk onderzoek Intel Labs en de Perelman School of Medicine van de Universiteit van Pennsylvania (Penn Medicine). Ook het Nederlandse Erasmus MC in Rotterdam is bij het project betrokken.

Uit cijfers van KWF Kanker Bestrijding blijkt dat in 2021 in totaal 1.397 Nederlanders een hersentumor kregen. 824 mensen stierven in 2021 aan een hersentumor. De overlevingskans over een periode van vijf jaar bedraagt 28% en over een periode van tien jaar 21%.

Federated learning

In het onderzoek lag de focus op federated learning, een vorm van kunstmatige intelligentie (AI) op basis van gedistribueerde machine learning (ML). “Federated learning heeft een enorm potentieel in tal van domeinen, met name in de gezondheidszorg, zoals blijkt uit ons onderzoek met Penn Medicine. Het vermogen om gevoelige informatie en data te beschermen opent de deur voor toekomstige studies en samenwerking, vooral in gevallen waarin datasets anders ontoegankelijk zouden zijn. Ons werk met Penn Medicine heeft het potentieel om patiënten over de hele wereld positief te beïnvloeden en we kijken ernaar uit om de belofte van federated learning verder te onderzoeken”, licht hoofdingenieur Jason Martin van Intel Labs toe.

De partijen onderzochten de inzet van federated learning voor de identificatie van kwaadaardige hersentumoren. Hierbij is zeer omvangrijke dataset van 71 instellingen op zes continenten gebruikt. Het gebruik van een dergelijke dataset is complex, onder meer vanwege strenge nationale wetgeving omtrent databescherming. Denk hierbij aan de Algemene verordening gegevensbescherming (AVG) in Nederland.

De strenge wetgeving bemoeilijkt het realiseren van medisch onderzoek en gegevensuitwisseling op grote schaal. Federated learning kan uitkomst bieden. De partijen melden dat Intel’s federated learning hardware en software aan de eisen van dataprivacy voldoet en data-integriteit, privacy en veiligheid beschermt door middel van vertrouwelijk computergebruik.

Gedecentraliseerd systeem

De gegevens zijn verwerkt in een gedecentraliseerd systeem met behulp van Intel federated learning technologie. Dit in combinatie met Intel Software Guard Extensions (SGX). De technologie zorgt dat de ruwe data binnen het eigen ziekenhuisnetwerk blijft. Op basis van de ruwe data berekent de technologie modelupdates. Alleen deze modelupdates stuurt de technologie door naar een centrale server of aggregator. Zo pakt de technologie diverse problemen rondom dataprivacy aan.

Radioloog prof. dr. Smits en biomedisch onderzoeker dr. Van der Voort van het Erasmus MC legt uit: “Vanuit het Erasmus MC konden we door deze federated learning studie bijdragen aan het verbeteren van automatische tumordetectie, zonder daarvoor patiëntgegevens te hoeven versturen. Automatische tumor detectie is een belangrijke stap voor het personaliseren en opvolgen van een behandeling, en om deze methodologie te ontwikkelen is het essentieel om data vanuit veel verschillende instituten te gebruiken. Met deze samenwerking hebben we dat eenvoudig kunnen doen, terwijl we wel zelf de controle konden houden over onze data.”

Veilige multi-institutionele samenwerkingen

“Federated learning biedt een doorbraak in het waarborgen van veilige multi-institutionele samenwerkingen. Het maakt de toegang tot de grootste en meest diverse dataset mogelijk die ooit in de literatuur is gezien. En dat terwijl alle data te allen tijde binnen elke instelling zelf worden bewaard”, aldus senior auteur Spyridon Bakas, PhD, assistent-professor Pathologie & Laboratoriumgeneeskunde, en Radiologie, aan de Perelman School of Medicine van de Universiteit van Pennsylvania. “Hoe meer data we kunnen invoeren in modellen voor machine learning, hoe nauwkeuriger ze worden. Dat zal op zijn beurt ons vermogen verbeteren om zelfs zeldzame ziekten, zoals glioblastoom, te begrijpen en te behandelen.”

De resultaten van het onderzoek zijn gepubliceerd in het wetenschappelijke tijdschrift Nature Communications.

Auteur: Wouter Hoeffnagel
Foto door: Pixabay / Michal Jarmoluk