Detectie van kwaadaardige hersentumoren kan met een derde verbeterd worden

Het Erasmus MC in Rotterdam heeft in een gezamenlijk onderzoek met Intel Labs en de Perelman School of Medicine van de Universiteit van Pennsylvania (Penn Medicine) een manier gevonden om sneller kwaadaardige hersentumoren te kunnen ontdekken. Daarvoor gebruikten de onderzoekers een nieuwe techniek: federated learning. Dat is een manier van machine learning (ML) met kunstmatige intelligentie (AI). Het project toonde aan dat het mogelijk is om de detectie van hersentumoren met een derde te verbeteren, aldus de organisaties in een persbericht.

Het is de grootste medische federated learning studie tot nu toe, waarbij een ongekende wereldwijde dataset van 71 instellingen op zes continenten werd onderzocht.

“Federated learning heeft een enorm potentieel in tal van domeinen, met name in de gezondheidszorg”, aldus Jason Martin, hoofdingenieur van Intel Labs. “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.”

Data toegankelijk maken

De toegankelijkheid van data is al lang een probleem in de gezondheidszorg vanwege nationale wetten inzake databescherming, waaronder de Algemene verordering gegevensbescherming (AVG). Hierdoor was het bijna onmogelijk om medisch onderzoek en gegevensuitwisseling op grote schaal te realiseren zonder de privacy van patiënten in gevaar te brengen. Intel’s federated learning hardware en software voldoen aan de eisen van dataprivacy en beschermen data-integriteit, privacy en veiligheid door middel van vertrouwelijk computergebruik.

AI-technologie in de zorg kan rekenen op enthousiasme en wantrouwen

Steeds meer ziekenhuizen, bedrijven en start-ups ontdekken de mogelijkheden van Artificiële Intelligentie (AI) voor de gezondheidszorg. Toch staat niet iedereen te springen.

Dataprivacy

Het Penn Medicine-Intel resultaat werd bereikt door het verwerken van grote hoeveelheden gegevens in een gedecentraliseerd systeem. Dit gebeurde met behulp van Intel federated learning technologie in combinatie met Intel® Software Guard Extensions (SGX). Deze technologie neemt barrières weg voor het delen van data die in het verleden samenwerking bij soortgelijk kanker- en ziekteonderzoek in de weg stonden. Het systeem pakt tal van problemen met dataprivacy aan door de ruwe data binnen het eigen ziekenhuisnetwerk te houden en alleen toe te staan dat modelupdates, die op basis van die gegevens zijn berekend, naar een centrale server of aggregator worden gestuurd, en niet de ruwe data.

‘Gezondheidszorg heeft behoefte aan massa-innovatie’

De operatie begin dit jaar waarbij er een hart van een genetisch aangepast varken geïmplementeerd werd bij een mens, was pure innovatie.

Personaliseren van een behandeling

“Vanuit het Erasmus MC konden we door deze federated learning studie bijdragen aan het verbeteren van automatische tumordetectie, zonder daarvoor patiëntgegevens te hoeven versturen”, leggen radioloog prof. dr. Smits en biomedisch onderzoeker dr. Van der Voort van het Erasmus MC uit. “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.”

Doorbraak in veilige 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.”

Datasilo’s ontsluiten

Om de behandeling van ziekten te verbeteren, moeten onderzoekers toegang krijgen tot grote hoeveelheden medische data – in de meeste gevallen datasets die de drempel overschrijden die één instelling kan produceren. Het onderzoek toont de effectiviteit aan van federated learning op schaal en de potentiële voordelen die de gezondheidszorg kan realiseren wanneer multisite datasilo’s worden ontsloten. Voordelen zijn onder meer vroege opsporing van ziekten, wat de kwaliteit van leven kan verbeteren of de levensduur van een patiënt kan verlengen.

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