دستگاه جدید آموزش روش اجازه می دهد تا بیمارستان برای به اشتراک گذاشتن اطلاعات بیمار -- بخش خصوصی

فیلادلفیا - پاسخ به سوالات پزشکی است که می توان به استفاده گسترده مردم بیمار ماشین, آموزش مدل های تکیه بزرگ, متنوع, مجموعه از انواع موسسات. اما سیستم های بهداشتی و بیمارستان ها اغلب مقاوم به اشتراک گذاری اطلاعات بیمار به علت قانونی و حریم خصوصی و چالش های فرهنگی.

ظهور تکنیک به نام يکپارچه یادگیری است یک راه حل برای این معضل با توجه به مطالعه منتشر شده روز سه شنبه در مجله علمی, گزارش, رهبری, نویسنده ارشد Spyridon Bakas, دکترا, استاد رادیولوژی و پاتولوژی آزمایشگاه و پزشکی در دانشکده پزشکی پرلمن در دانشگاه پنسیلوانیا است.

يکپارچه آموزش -- یک رویکرد برای اولین بار اجرا شده توسط گوگل برای صفحه کلید " تصحيح خودکار قابلیت -- آموزش یک الگوریتم غیر متمرکز در سراسر چندین دستگاه و یا سرورهای برگزاری محلی و اطلاعات نمونه بدون تبادل آنها. در حالی که این رویکرد به طور بالقوه می تواند مورد استفاده قرار گیرد برای پاسخ به بسیاری از های مختلف سوالات پزشکی پن پزشکی محققان نشان داده اند که يکپارچه آموزش موفق است به طور خاص در زمینه تصویربرداری از مغز بودن قادر به تجزیه و تحلیل تصویربرداری رزونانس مغناطیسی (MRI) و اسکن از مغز بیماران مبتلا به تومور و تشخیص سالم مغز بافت سرطانی از منطقه است.

یک مدل آموزش دیده در پن به عنوان مثال می توان به توزیع برای بیمارستان ها در سراسر جهان است. پزشکان می تواند پس از آن در بالای این, مشترک, مدل توسط inputting خود بیمار اسکن مغز. خود مدل های جدید خواهد شد و سپس انتقال به یک سرور متمرکز. این مدل در نهایت به آشتی به یک اجماع مدل که به دست آورده به دانش از هر یک از بیمارستان ها و بنابراین بالینی مفید است.

"اطلاعات بیشتر این مدل محاسباتی می بیند بهتر آن را یاد می گیرد این مشکل و بهتر از آن می توانید آدرس سوال این است که آن را طراحی شده برای پاسخ به" Bakas گفت. "به طور سنتی یادگیری ماشین استفاده شده است داده ها را از یک نهاد واحد و پس از آن آشکار شد که این مدل انجام نیست و یا تعمیم به خوبی بر روی داده ها از موسسات دیگر است."

يکپارچه آموزش مدل نیاز به اعتبار و تایید شده توسط سازمان غذا و داروی آمریکا قبل از آن را می توان با مجوز و تجاری بالینی به عنوان یک ابزار برای پزشکان است. اما در صورتی که مدل تجاری آن کمک خواهد کرد رادیولوژیست تابش انکولوژیست و جراحان مغز و اعصاب در تصمیم گیری های مهم در مورد مراقبت از بیمار Bakas گفت. حدود 80,000 مردم خواهد شد مبتلا به تومور مغزی در سال جاری با توجه به آمریکایی تومور مغزی ارتباط است.

"مطالعات نشان داده اند که وقتی که می آید به تومور مرزهای نه تنها می تواند به پزشکان مختلف باید نظرات مختلف اما همان پزشک ارزیابی همان اسکن می بینید مختلف تومور مرز تعریف در یک روز از هفته را در مقابل آینده," او گفت:. "هوش مصنوعی اجازه می دهد تا پزشک به اطلاعات دقیق در مورد که در آن یک تومور به پایان می رسد که به طور مستقیم تاثیر می گذارد یک بیمار را درمان و پیش آگهی."

برای آزمون اثربخشی يکپارچه یادگیری و مقایسه آن با دیگر روشهای یادگیری ماشین, Bakas با همکاری محققان دانشگاه تگزاس MD Anderson Cancer Center, دانشگاه واشنگتن و هیلمن مرکز سرطان دانشگاه پیتسبورگ در حالی که Intel Corporation کمک حریم خصوصی-حفاظت از نرم افزار برای این پروژه است.

مطالعه آغاز شد و با یک مدل که قبل از روت در چند نهادی داده ها از یک منبع باز مخزن به عنوان شناخته شده بین المللی تومور مغزی تقسیم بندی یا BraTS به چالش بکشد. BraTS در حال حاضر فراهم می کند یک مجموعه که شامل بیش از 2600 اسکن های مغزی گرفته شده با تصویربرداری رزونانس مغناطیسی (MRI) از 660 بیماران. بعد از 10 بیمارستان در مطالعه شرکت کردند توسط آموزش هوش مصنوعی و مدل های خود را با اطلاعات بیمار است. يکپارچه آموزش تکنیک شد و سپس مورد استفاده برای کل داده ها و ایجاد اجماع مدل.

محققان در مقایسه يکپارچه آموزش مدل آموزش توسط واحد موسسات و همچنین به دیگر مشترک-یادگیری روش است. اثربخشی هر روش اندازهگيری شد تست آنها را در برابر اسکن شد که مشروح دستی توسط متخصصین مغز و اعصاب. در مقایسه با زمانی که به یک مدل آموزش با داده ها متمرکز است نه محافظت از بیمار و حفظ حریم خصوصی يکپارچه آموزش قادر به انجام تقریبا (99 درصد) عینا. این یافته ها همچنین نشان داد که افزایش دسترسی به داده ها از طریق داده های خصوصی چند نهادی همکاری می تواند به نفع مدل عملکرد.

یافته های حاصل از این مطالعه را هموار راه را برای یک مقدار بزرگتر و بلند پروازانه همکاری بین پن پزشکی اینتل و 30 شریک موسسات پشتیبانی شده توسط 1.2 میلیون دلار کمک مالی از موسسه ملی سرطان از موسسه ملی بهداشت که اهدا شد به Bakas در اوایل این سال است. اینتل اعلام کرد در ماه مه که Bakas منجر خواهد شد و این پروژه که در آن 30 نهادهای نه در سراسر کشور استفاده خواهد شد يکپارچه رویکرد یادگیری برای آموزش یک اجماع AI مدل تومور مغزی داده. هدف نهایی از این پروژه خواهد بود برای ایجاد یک منبع باز ابزار برای هر پزشک در هر بیمارستان به استفاده از. توسعه ابزار پن, مرکز پزشکی, تصویر, Computing & تجزیه و تحلیل (CBICA) است که توسط رهبری ارشد توسعه نرم افزار Sarthak Pati خانم

مطالعه همکاری نویسنده ریوکا Colen, MD, استادیار رادیولوژی در دانشگاه پیتسبورگ دانشکده پزشکی گفت: که در این مقاله و بزرگتر يکپارچه پروژه آموزش باز کردن امکانات برای حتی بیشتر با استفاده از هوش مصنوعی در مراقبت های بهداشتی.

"من فکر می کنم این یک بازی بزرگ تعویض" Colen گفت. "Radiomics است به رادیولوژی چه ژنومیک شد به آسیب شناسی. هوش مصنوعی خواهد انقلابی در این زمینه چرا که در حال حاضر به عنوان یک رادیولوژیست بیشتر از آنچه ما انجام دهید این است که توصیفی است. با یادگیری عمیق ما قادر به استخراج اطلاعات است که در این لایه دیجیتالی تصاویر است."

###

اضافی نویسندگان در این مقاله عبارتند از: میکا J Sheller براندون ادواردز G آنتونی رینا, Jason Martin, Aikaterini Kotrotsou میخائیل Milchenko, Weilin زو و دانیل مارکوس.

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.