Phương pháp mới cho phép bệnh viện chia sẻ dữ liệu bệnh nhân

(TECH MOSS) Để trả lời các vấn đề y khoa phổ biến, các mô hình học máy cần dựa trên các bộ dữ liệu lớn. Bộ dữ liệu đa dạng thu thập từ nhiều tổ chức khác nhau. Tuy nhiên, các hệ thống y tế và bệnh viện thường không đồng ý với việc chia sẻ dữ liệu bệnh nhân. Nguyên nhân là do những thách thức về pháp lý, quyền riêng tư và văn hóa. Giải pháp công nghệ mới được kỳ vọng sẽ giải quyết vấn đề này.

Một nghiên cứu đã được công bố vào thứ ba trên tạp chí Khoa học. Tác giả cao cấp của nghiên cứu là Spyridon Bakas, Tiến sĩ, giảng viên của Khoa X quang và Bệnh học & Phòng thí nghiệm Y học tại Trường Y Perelman, thuộc Đại học Pennsylvania.

Khái niệm học liên kết là gì?

Học liên kết là một khái niệm đầu tiên được Google triển khai. Phương pháp này từng được phát triển cho chức năng tự động sửa lỗi chính tả. Kỹ thuật học máy này giúp đào tạo một thuật toán trên nhiều thiết bị. Chúng ta sẽ chỉ cần một máy chủ phi tập trung. Phương pháp này giúp giữ các mẫu dữ liệu cục bộ mà không cần chia sẻ qua lại.

Học liên kết đã được sử dụng để trả lời nhiều câu hỏi y học khác nhau. Các nhà nghiên cứu của Penn Medicine đã chỉ ra rằng học liên kết đặc biệt thành công trong bối cảnh chẩn đoán hình ảnh não bộ. Phương pháp sẽ phân tích hình ảnh cộng hưởng từ (MRI) của bệnh nhân khối u não; sau đó tiến hành phân biệt mô não khỏe mạnh và các khu vực ung thư.

>>Xem thêm:

37 tiêu chí đánh giá bệnh viện an toàn trong phòng, chống dịch bệnh

Nghiên cứu cho thấy thuốc gốc không giảm tiến triển bệnh thận

Các nhà khoa học vừa phát hiện phương pháp nghiên cứu mới

Nghiên cứu mô hình tại Penn Medicine

Một mô hình tương tự được đào tạo tại Penn Medicine. Mô hình này có thể được phân phối cho các bệnh viện trên khắp thế giới. Các bác sĩ sau đó có thể phát triển học máy dựa trên mô hình được chia sẻ này. Việc dạy máy được tiến hành bằng cách đưa vào quét não bệnh nhân.

Mô hình mới sau đó sẽ được chuyển đến một máy chủ tập trung. Các mô hình cuối cùng sẽ được điều chỉnh thành một mô hình đồng thuận. Đặc biệt, nó có được kiến ​​thức cập nhật từ mỗi bệnh viện. Do đó, phương pháp sẽ rất hữu ích về mặt lâm sàng.

Càng nhiều dữ liệu mà mô hình tính toán được đưa vào, mô hình càng tìm hiểu vấn đề tốt hơn. Và nhờ đó, học máy có thể giải quyết tốt hơn câu hỏi mục tiêu. Học máy theo phương pháp cũ thường chỉ sử dụng dữ liệu từ một tổ chức duy nhất. Kết quả là các mô hình đó không hiệu quả hoặc không khái quát tốt. Do đó, nó không phù hợp với dữ liệu từ các tổ chức khác.

Mô hình học liên kết sẽ cần được xác nhận và phê duyệt trước khi có thể được cấp phép và thương mại hóa như một công cụ lâm sàng cho bác sĩ. Khi được thương mại hóa, nó sẽ giúp các bác sĩ đưa ra quyết định chính xác về chăm sóc bệnh nhân

Các nghiên cứu đã chỉ ra rằng, khi nói đến ranh giới khối u, không chỉ các bác sĩ khác nhau có thể có ý kiến ​​khác nhau, mà cùng một bác sĩ đánh giá cùng một lần quét có thể thấy ranh giới khối u khác nhau vào các thời điểm khác nhau. Trí tuệ nhân tạo cho phép bác sĩ có thông tin chính xác hơn về vị trí, kích thước khối u. Từ đó ảnh hưởng trực tiếp đến quyết định điều trị và tiên lượng bệnh nhân.

Hiệu quả của phương pháp ứng dụng mới

Để kiểm tra hiệu quả của việc học liên kết và so sánh nó với các phương pháp học máy khác, Bakas đã hợp tác với các nhà nghiên cứu từ Trung tâm Ung thư MD Anderson của Đại học Texas, Đại học Washington và Trung tâm Ung thư Hillman tại Đại học Pittsburgh. Trong đó, Tập đoàn Intel sẽ bảo đảm quyền mật- bảo vệ phần mềm cho dự án.

Ứng dụng AI sẽ hỗ trợ bác sĩ điều trị, chẩn đoán tốt hơn

Kho dữ liệu đa tổ chức được lấy từ nguồn mở BraTS. BraTS hiện cung cấp một bộ dữ liệu bao gồm hơn 2.600 lần quét não. Các kết quả này được chụp bằng hình ảnh cộng hưởng từ (MRI) từ 660 bệnh nhân. Tiếp theo, 10 bệnh viện đã tham gia nghiên cứu bằng cách đào tạo các mô hình AI với dữ liệu bệnh nhân của riêng họ. Kỹ thuật học liên kết được sử dụng để tổng hợp dữ liệu và tạo ra mô hình đồng thuận.

Các nhà nghiên cứu đã so sánh việc học liên kết với các mô hình được đào tạo bởi các tổ chức đơn lẻ hay các phương pháp khác. Hiệu quả của từng phương pháp được đo lường bằng cách kiểm tra, đối chiếu với các bản quét được chú thích bằng tay của các bác sĩ. Khi so sánh với một mô hình học máy với dữ liệu tập trung không bảo đảm quyền riêng tư của bệnh nhân, học tập liên kết có thể thực hiện gần như (99%) giống hệt.

Các phát hiện cũng chỉ ra rằng việc tăng quyền truy cập vào dữ liệu thông qua dữ liệu riêng tư, hợp tác đa tổ chức có thể giúp tăng hiệu suất mô hình.

Ý nghĩa của nghiên cứu phương pháp mới

Những phát hiện từ nghiên cứu này đã mở đường cho quá trình hợp tác lớn hơn giữa Penn Medicine, Intel và 30 tổ chức đối tác. Intel đã công bố vào tháng 5 rằng Bakas sẽ lãnh đạo dự án. Trong đó bao gồm 30 tổ chức, hơn 9 quốc gia. Dự án sẽ sử dụng phương pháp học tập liên kết để đào tạo mô hình AI đồng thuận về dữ liệu khối u não.

Mục tiêu cuối cùng của dự án sẽ là tạo ra một công cụ nguồn mở cho bất kỳ bác sĩ lâm sàng nào tại bất kỳ bệnh viện nào sử dụng. Sự phát triển của công cụ trong Trung tâm tính toán & phân tích hình ảnh y sinh (CBICA) của Penn đang được dẫn dắt bởi nhà phát triển phần mềm cao cấp Sarthak Pati, MS.

Dự án lớn hơn sẽ đẩy mạnh ứng dụng Trí tuệ nhân tạo trong chăm sóc sức khỏe. Tạo hình dữ liệu hóa Radiomics là để chụp X-quang những vấn đề bệnh lý liên quan đến bản đồ gen. AI sẽ cách mạng hóa lĩnh vực này. Hiện nay một bác sĩ X quang hầu hết việc chúng ta làm là mô tả. Bằng tìm hiểu sâu, chúng ta có thể trích xuất thông tin ẩn trong các lớp hình ảnh số hóa.

Nguồn dịch: Tài liệu được cung cấp bởi Đại học Y Pennsylvania. Lưu ý: Nội dung có thể được chỉnh sửa phù hợp với kiểu dáng và độ dài.