Come Privacy Architettonica

Fonte: Getty Images

31 agosto 2023 - L'analisi dei dati è fondamentale per migliorare la qualità dell'assistenza sanitaria e le scoperte mediche, ma la protezione dei dati dei pazienti deve essere una priorità durante tutto il processo.

Le tecnologie di miglioramento della privacy (PET) sono strumenti fondamentali che le organizzazioni sanitarie possono sfruttare per la privacy e la sicurezza dei dati. I PET possono essere suddivisi in tre categorie: algoritmici, architetturali e aumentativi. Per supportare l'analisi sanitaria, si consiglia una combinazione di questi tipi.

Questa è la seconda puntata di una serie che analizza ciascuna categoria di PET e i relativi casi d'uso in ambito sanitario, dopo un'analisi approfondita delle PET algoritmiche.

Qui, HealthITAnalytics esplorerà la seconda tipologia: i PET architettonici.

A differenza dei PET algoritmici, che alterano il modo in cui i dati vengono rappresentati per proteggere la privacy, i PET architetturali si occupano della struttura dei dati o degli ambienti di calcolo. Questi PET si concentrano sullo scambio confidenziale di informazioni senza condividere i dati sottostanti.

L'apprendimento federato è un approccio spesso utilizzato nello sviluppo di modelli di intelligenza artificiale (AI) e machine learning (ML).

IBM concettualizza l'apprendimento federato come un metodo per aiutare ad addestrare questi modelli senza che nessuno abbia accesso ai dati alla base del modello stesso:

“Con l’apprendimento federato, più persone condividono in remoto i propri dati per addestrare in modo collaborativo un singolo modello di deep learning, migliorandolo in modo iterativo, come una presentazione o un report di gruppo. Ciascuna parte scarica il modello da un data center nel cloud, in genere un modello di base preaddestrato. Lo addestrano sui loro dati privati, quindi riassumono e crittografano la nuova configurazione del modello. Gli aggiornamenti del modello vengono rimandati al cloud, decrittografati, calcolati la media e integrati nel modello centralizzato. Iterazione dopo iterazione, la formazione collaborativa continua finché il modello non è completamente addestrato”.

La ricerca indica che la maggior parte delle applicazioni di apprendimento federato per i dati biomedici sono focalizzate su radiologia e oncologia. Alcuni casi d'uso includono l'imaging cerebrale, la diagnostica COVID-19, il rilevamento di tumori, la previsione dei biomarcatori del cancro e le applicazioni Internet of Healthcare Things (IoHT). I ricercatori hanno anche proposto un quadro di apprendimento federato per migliorare l’equità negli strumenti di screening basati sull’intelligenza artificiale.

I ricercatori della Perelman School of Medicine dell’Università della Pennsylvania (Penn) hanno intrapreso la prima applicazione dell’apprendimento federato nei dati di imaging medico del mondo reale nel 2018.

Lo studio che descrive questi sforzi è stato pubblicato nel 2019, dimostrando che un modello di deep learning addestrato tramite l’apprendimento federato potrebbe segmentare accuratamente le immagini dei tumori cerebrali, ottenendo il 99% delle prestazioni dello stesso modello se addestrato tramite metodi tradizionali di condivisione dei dati.

Il lavoro ha contribuito a stabilire la fattibilità dell'utilizzo dell'apprendimento federato per affrontare le sfide di acquisizione, etichettatura e condivisione dei dati tipicamente associate alla ricerca sull'analisi delle immagini.

Nello stesso anno, i ricercatori del Penn's Center for Biomedical Image Computing & Analytics (CBICA) hanno ricevuto un finanziamento federale triennale di 1,2 milioni di dollari per sviluppare un quadro di apprendimento federato incentrato sulla segmentazione dei tumori.

La sovvenzione ha portato Penn a guidare una collaborazione di 29 istituzioni in tutto il mondo per portare avanti questi sforzi.

I potenziali vantaggi delle applicazioni sanitarie federate basate sull’apprendimento includono il miglioramento della privacy dei dati, il raggiungimento di un equilibrio tra accuratezza e utilità, la possibilità di formazione sui dati sanitari a basso costo e la riduzione della frammentazione dei dati. L’approccio consente anche trasmissioni asincrone, che possono rafforzare la collaborazione e la comunicazione multi-istituzionale.

Poiché l'apprendimento federato consente agli utenti di spostare il modello nei dati, anziché viceversa, l'addestramento del modello locale non richiede la duplicazione di dati medici ad alta dimensione e ad alto utilizzo di storage da parte di ciascun utente. I ricercatori indicano che ciò aiuta il modello a scalare naturalmente con un set di dati in crescita senza aumentare i requisiti di archiviazione dei dati.