Медицинская школа Перельмана Университета Пенсильвании в партнерстве с Intel Labs провела исследование по улучшению обнаружения опухолей головного мозга с помощью машинного обучения, называемого Federated ML, или сокращенно FL (Federated Learning). Через два года проект продемонстрировал улучшение показателей выявления на 33%, что может оказаться бесценным для раннего выявления и определения вариантов лечения.

Исследование было специально направлено на глиобластому, которая, по словам исследователей, является наиболее распространенной и смертельной опухолью головного мозга у взрослых. Несмотря на расширение возможностей лечения в последние десятилетия, общая выживаемость значительно не улучшилась. Медиана времени выживания составляет около 14 месяцев со стандартным лечением или всего 4 месяца без него.

Одной из самых больших проблем при применении машинного обучения в медицинских исследованиях является процесс централизации данных при сохранении конфиденциальности пациентов. В отличие от централизованного обучения (CL), где все данные объединяются в одну корзину, модели FL позволяют каждому партнеру хранить свои данные локально. Модели FL могут охватывать несколько сайтов и организаций, обмениваясь только обновлениями числовых моделей, что соответствует HIPAA и другим нормативным требованиям здравоохранения. В этом исследовании данные удалось собрать с 71 сайта на 6 континентах. Такой глобальный охват бесценен при изучении редких состояний, таких как глиобластома, которые в настоящее время поражают примерно 3 из 100 000 человек.

Сам процесс обучения был применен к многопараметрической магнитно-резонансной томографии (МРТ), которая может выявить наличие глиобластомы в головном мозге. Эти опухоли состоят из трех основных подотделов, и определение того где проходят эти границы, может повлиять на курс лечения, который может включать хирургическое вмешательство или лучевую терапию. Исследователи описывают процесс обнаружения границ как "многопараметрическую многоклассовую задачу обучения".

Каждый участвующий сайт подготавливает свои собственные данные с помощью процесса согласования, который может учитывать различные методологии между местоположениями. Сканирование МРТ преобразуется из формата цифрового изображения и коммуникации в медицине (DICOM) в формат Инициативы по информационным технологиям нейровизуализации (NIfTI), который также исключает любую информацию идентифицирующую пациента в процессе. После некоторой дополнительной обработки, которая отображает и нормализует сканы как воксели, применяется маска для удаления с изображений всех тканей не относящихся к мозгу. Сканирование МРТ производится случайным образом с помощью фрагментов которые могут поместиться в память дискретного графического процессора с не менее 11 ГБ видеопамяти.

После того, как данные собраны каждым соавтором, обучение проводится путем передачи общедоступной исходной модели на центральный сервер. Каждая клиника участвующая в программе работает со своими собственными данными за определенный период времени, а затем делится обновлениями с центральным сервером. Результаты усреднялись в соответствии с весом данных каждого соавтора, а затем процесс повторялся в так называемых федеративных раундах.

Это не первое применение модели FL в здравоохранении, но на сегодняшний день оно является крупнейшим в своем роде.  Исследование также использовалось для оценки классификации рака молочной железы в 5 учреждениях и для прогнозирования будущих потребностей в кислороде для пациентов с COVID-19 с использованием рентгеновских снимков и медицинских карт в 20 учреждениях. Это исследование также представляет собой самый большой и разнообразный набор данных о пациентах с глиобластомой из когда-либо изученных, независимо от применения машинного обучения.

Авторы сообщают, что успех этого исследования может позволить провести дальнейшие медицинские исследования редких заболеваний, облегчить дополнительное понимание глиобластомы с использованием их модели консенсуса и улучшить сотрудничество между несколькими центрами с менее прямым обменом данными.