Un nuovo studio recentemente pubblicato su Nature prova a riaccendere i riflettori sul federated learning in ambito sanitario. Il federated machine learning, proposto da Google già nel 2017, tenta di risolvere il problema della privacy dei dati sanitari necessari per creare modelli di machine learning. Con questo metodo i dati resterebbero all’interno dell’ospedale o della struttura che li detiene, poiché sarebbe quest’ultima a creare il modello di intelligenza artificiale autonomamente e sui propri computer. Solo in un secondo tempo i risultati della computazione verrebbero trasferiti all’esterno, a un server centrale che provvederebbe a integrarli e a usarli per preparare il modello finale.
Questo sistema però presenta diversi ostacoli, fra i quali la mancanza di standardizzazione nella raccolta dei dati sanitari che richiede lunghe (e onerose) attività preliminari di armonizzazione del dato.
Secure, privacy-preserving and federated machine learning in medical imaging fa il punto sulle tecniche di federated machine learning, concentrandosi in particolare sull’imaging medico. In quell’ambito infatti il problema è risolto dalla presenza dello standard DICOM (Digital Imaging and Communications in Medicine).
Se vi interessa come funziona in dettaglio il federated machine learning potete scaricare questa presentazione preparata da ricercatori di Nvidia e del King’s College di Londra: Federated Learning drives the success of AI in Healthcare (pdf)
Mentre se vi appassiona l’AI in ambito medico vi consiglio questa conversazione (solo audio) fra Eric Topol – un cardiologo molto impegnato nell’introduzione di tecnologie AI negli ospedali – e Fei-Fei Li – professoressa di informatica a Stanford e una delle voci più autorevoli nel settore dell’intelligenza artificiale: Clinicians’ ‘Number-One Wish’ for Artificial Intelligence
