هدف MedPerf سرعت بخشیدن به هوش مصنوعی پزشکی در حالی که داده ها را خصوصی نگه می دارد

استفاده از اشکال یادگیری ماشینی هوش مصنوعی در پزشکی به دلیل حساسیت داده‌هایی که برای آموزش مدل‌ها استفاده می‌شوند، با مشکل مواجه می‌شود.

تلاش جدیدی که به عنوان آموزش «فدرال» هوش مصنوعی شناخته می‌شود، با هدف حفظ خصوصی داده‌ها و همچنین اجازه دادن به توسعه‌دهندگان الگوریتم و پزشکان از تعامل مجموعه داده‌های واقعی و مدل‌های جدید ML است.

همچنین: MedPaLM گوگل بر پزشکان انسانی در هوش مصنوعی پزشکی تاکید دارد

MedPerf، گروهی که توسط انجمن غیرانتفاعی MLCommons، یک کنسرسیوم صنعتی، که تراشه‌های کامپیوتری را برای عملکرد آنها در وظایف هوش مصنوعی معیار قرار می‌دهد، تشکیل شده است، همانطور که در مقاله موقعیت افتتاحیه که دوشنبه توسط مجله علمی معتبر Nature شرح داده شده است، هدف آن حل بن‌بست داده‌ها است. .

معیار MedPerf مدل‌های هوش مصنوعی را می‌گیرد و آن‌ها را برای پزشکانی که داده‌ها دارند ارسال می‌کند. سپس پزشکان نحوه عملکرد مدل در برابر داده ها را گزارش می دهند. این بدان معناست که توسعه‌دهندگان برنامه‌های هوش مصنوعی می‌توانند به مجموعه داده‌های خصوصی دسترسی داشته باشند که در غیر این صورت هرگز به آنها دسترسی نداشتند، در حالی که پزشکان می‌توانند ببینند که آیا هوش مصنوعی می‌تواند با پیش‌بینی داده‌ها پاسخ‌هایی درباره سلامت بیمارانشان ارائه دهد یا خیر. به دلیل تبادل، داده ها از امکانات امن پزشکان خارج نمی شوند.

این گروه در مقاله، «معیار فدرال هوش مصنوعی پزشکی با MedPerf» خاطرنشان می‌کند: «این رویکرد با هدف تسریع پذیرش گسترده‌تر هوش مصنوعی پزشکی، منجر به عملکرد بالینی مؤثرتر، قابل تکرار و مقرون‌به‌صرفه‌تر، با در نهایت بهبود نتایج بیمار می‌شود.» منتشر شده در Nature Machine Intelligence imprint of Nature.

این مقاله توسط نویسنده اصلی الکساندروس کاراگیریس از دانشگاه استراسبورگ فرانسه و 76 مشارکت کننده دیگر نوشته شده است که بیش از 20 شرکت از جمله انویدیا و مایکروسافت و 20 موسسه دانشگاهی و 9 بیمارستان در 13 کشور و پنج قاره را نمایندگی می کنند.

کاراگیریس و تیم تیم توجه داشته باشند که استفاده اولیه از MedPerf در آزمایش‌های معیار نمونه در رادیولوژی و جراحی بوده است. اما، آنها می نویسند، این پلت فرم به راحتی می تواند در سایر وظایف زیست پزشکی مانند آسیب شناسی محاسباتی، ژنومیک، پردازش زبان طبیعی (NLP)، یا استفاده از داده های ساختاریافته از پرونده پزشکی بیمار استفاده شود.

ایده‌های اصلی این رویکرد در یک شماتیک خلاصه در وب‌سایت MLCommons و همچنین یک پست وبلاگ همراه ارائه شده‌اند.

همچنین: آیا هوش مصنوعی باید به مطب پزشک شما بیاید؟ یکی از بنیانگذاران OpenAI اینطور فکر می کند

دیوید کانتر، مدیر اجرایی MLCommons، در بیانیه ای ایمیلی گفت: “هوش مصنوعی پزشکی برای تاثیر بالقوه ای که بر همه در سراسر کره زمین خواهد داشت ضروری است، و من به ویژه به مشارکت گسترده جامعه که با MedPerf دیده ایم افتخار می کنم. — محققان، بیمارستان ها، فناوران، و بیشتر.

کانتر گفت: “MedPerf یک تلاش اجتماعی عظیم بوده است، و ما از دیدن رشد و شکوفایی آن در آینده و در نهایت بهبود مراقبت های پزشکی برای همه هیجان زده ایم.”

پلتفرم MedPerf از MLCubs تشکیل شده است، روشی برای ایجاد کانتینرهای برنامه ایمن مشابه Docker. این پلتفرم دارای سه MLCube مختلف است، یکی برای آماده سازی داده ها، یکی برای میزبانی مدل، و دیگری برای ارزیابی خروجی برای ارزیابی عملکرد مدل در آزمون معیار.

همچنین: اینها 5 ابزار هوش مصنوعی مورد علاقه من برای کار هستند

همانطور که توسط Karagyris و تیم در مقاله توضیح داده شده است،

مدل MLCube شامل یک مدل هوش مصنوعی از پیش آموزش دیده است که باید به عنوان بخشی از معیار ارزیابی شود. این یک تابع واحد، استنتاج، ارائه می‌کند که پیش‌بینی‌های خروجی داده آماده‌شده را توسط MLCube آماده‌سازی داده محاسبه می‌کند. در مورد آینده مدل‌های فقط API، این ظرف میزبان پوشش API برای رسیدن به مدل خصوصی خواهد بود.

MedPerf همچنین با HuggingFace، مخزن محبوب مدل‌های هوش مصنوعی همکاری کرد. آنها می نویسند: Hugging Face Hub همچنین می تواند ارزیابی خودکار مدل ها را تسهیل کند و بر اساس مشخصات معیار، بهترین مدل ها را ارائه دهد.

شریک دیگر Sage Bionetworks است که پلتفرم Synapse را برای به اشتراک گذاری داده ها توسعه می دهد که در چالش های داده های جمع آوری شده استفاده شده است. نویسندگان خاطرنشان می کنند: «چندین مؤلفه موقت مورد نیاز برای ادغام MedPerf-FeTS بر روی پلتفرم Synapse ساخته شده است. سیناپس از به اشتراک گذاری داده های تحقیقاتی پشتیبانی می کند و می تواند برای پشتیبانی از اجرای چالش های جامعه استفاده شود.

همچنین: ربات‌های هوش مصنوعی در امتحانات دانشکده پزشکی شرکت کرده‌اند، اما آیا باید پزشک شما شوند؟

رویکرد MedPerf قبلاً روی یک چالش سازمان‌دهی شده توسط چندین مؤسسه آکادمیک موسوم به چالش تقسیم‌بندی تومور فدرال آزمایش شده است، جایی که شبکه‌های عصبی برای شناسایی تومورهای مغزی – به‌ویژه، گلیوماها – در تصاویر MRI به چالش کشیده می‌شوند. چالش FeTS 2022 که در آن MedPerf شرکت کرد، در 32 سایت شرکت کننده در شش قاره برگزار شد.

نویسندگان می‌گویند: «علاوه بر این، MedPerf از طریق یک سری مطالعات آزمایشی با گروه‌های دانشگاهی درگیر در همکاری‌های چند نهادی برای اهداف تحقیق و توسعه مدل‌های هوش مصنوعی پزشکی تأیید شد».

MedPerf انتظار دارد که پلتفرم را به تعداد بیشتری از شرکت کنندگان گسترش دهد و اعلام کند: “ما در حال حاضر در حال کار بر روی ارزیابی هدف کلی هوش مصنوعی مراقبت های بهداشتی از طریق همکاری های بزرگتر هستیم.”

این مقاله MedPerf را توصیف می‌کند که اکنون مرحله اولیه «اثبات مفهوم» را پشت سر گذاشته و در میانه گذار از مرحله آلفا به مرحله بتا است. مراحل بعدی شامل باز کردن کار معیار به طور کلی برای شرکت کنندگان خارجی است.

همچنین: هوش مصنوعی مولد می تواند قیمت دارو را کاهش دهد. در اینجا چگونگی آن است

بخشی از مقاله فراخوانی است از طرف‌های پزشکی برای تقویت و مشارکت، از جمله «ذینفعان مراقبت‌های بهداشتی برای تشکیل کمیته‌های معیاری که مشخصات را تعریف می‌کنند و بر تحلیل‌ها نظارت می‌کنند» و «صاحبان داده‌ها (به عنوان مثال، سازمان‌های مراقبت‌های بهداشتی، پزشکان) برای ثبت داده‌های خود. در پلتفرم (بدون نیاز به اشتراک گذاری داده).”

کد MedPerf در GitHub ارسال شده است.