Intel
Sanidad
Estudios
Inteligencia artificial

La IA y el aprendizaje federado, fieles escuderos en la batalla contra el glioblastoma

Intel Labs y Penn Medicine impulsan el mayor estudio de aprendizaje médico federado mediante una técnica de IA que preserva la privacidad y mejora la detección de tumores cerebrales cancerígenos en un 33%. Sobre ello nos habla Jason Martin, portavoz de Intel.

aprendizaje médico federado Intel

La tecnología vuelve a perfilarse como un fiel escudero en la batalla emprendida contra el cáncer, principal causa de muerte en el mundo según la Organización Mundial de la Salud (OMS). Así, aunque la lucha sea cruenta, lenta y desmoralizante en ocasiones, la investigación y la innovación tecnológica se alzan como dos grandes bastiones a tener en consideración en la carrera por la extinción de la enfermedad. Jason Martin, ingeniero principal en el Laboratorio de Soluciones de Seguridad y director del Equipo de Inteligencia de Seguridad en Intel Labs, habla para CIO España sobre el último avance de la compañía en materia de detección de tumores. “Hemos estado utilizando el aprendizaje federado para explorar uno de los grandes temas críticos de salud, los tumores cerebrales y, en concreto, el glioblastoma (GBM)”.

 

El mayor estudio de aprendizaje médico federado

La idea de poner el acento en las capacidades del aprendizaje federado para la detección de tumores surge, explica Martin, “tras explorar las implicaciones de esta tecnología emergente”. Entonces brotaron preguntas sobre su utilidad para salvaguardar la privacidad o la propiedad intelectual, o sobre su provecho en materia de soberanía de datos y a la hora de proteger las fronteras geopolíticas. No obstante, fue a raíz de “un proyecto basado en algoritmos para la segmentación de tumores cerebrales” cuando fue alumbrada la nueva investigación. Una investigación que ha llevado a Intel Labs y a la Escuela de Medicina Perelman de la Universidad de Pensilvania (Penn Medicine, de ahora en adelante) a estrechar lazos en aras de la investigación científica y la salud pública. Y es que fruto de esta alianza nace “el mayor estudio de aprendizaje médico federado hasta la fecha”, confiesa Martin.

La razón de ser de este acuerdo colaborativo radica en “ayudar a las instituciones internacionales de atención sanitaria e investigación a identificar tumores cerebrales malignos mediante un enfoque de inteligencia artificial (IA) de aprendizaje automático distribuido”. Para ello han contado con un conjunto de datos a nivel  mundial sin precedentes, examinados en 71 instituciones de cinco continentes. “Esta federación ha cruzado cinco continentes, a excepción de la Antártida”, comenta el experto con cierto orgullo, “no hay nadie allí”, apostilla riendo. Esto ha traído consigo toda la “riqueza” y “diversidad” de las naciones involucradas a través de sus pacientes.

 

"Tal y como recoge nuestro estudio, el aprendizaje federado tiene un enorme potencial. Ha demostrado la capacidad de mejorar la detección de tumores cerebrales en un 33%, impactando positivamente en pacientes de todo el mundo”

 

Jason Martin (Intel Labs)

 

Desafíos

Poner en marcha la investigación supuso más de un quebradero de cabeza para la plantilla de ambas instituciones, tal y como reconoce Martin. Uno de los grandes obstáculos en el camino estaba estrechamente relacionado con la accesibilidad de los datos, algo que ha supuesto “un verdadero problema en el ecosistema sanitario debido a las leyes sobre privacidad”. De hecho, explica el portavoz de Intel, “la investigación médica y el intercambio de datos a escala han sido casi imposibles de lograr sin comprometer la información de salud de los pacientes hasta ahora”. “Al principio nos preguntábamos cómo enseñar al modelo [de IA] a realizar estas tareas, ya que los datos estaban distribuidos y su acceso era complicado debido a las restricciones en cuanto a privacidad, regulación y tamaño”. Aquello implicó “mucha infraestructura técnica para superar las peculiaridades y configuraciones de las redes. Teníamos que averiguar cómo hacer ciencia de datos con datos que no se podían ver”.

Un desafío que, según Martin, “no quiero decir que lo hayamos solucionado completamente”. “Creo que estamos viendo –a través del aprendizaje federado- cómo cambiar la visión para obtener la información necesaria; es decir, si lo enfocamos desde la perspectiva de la tarea en primer lugar en vez de desde la perspectiva de la recopilación. ¿Podemos construir un sistema que encuentre la respuesta a esa tarea sin tener que concedernos necesariamente un acceso total y sin restricciones a los datos?”. La contestación es sí, por el momento, mediante el aprendizaje federado. Sin embargo, incide Martin, “la privacidad de los datos es una situación en evolución, y las expectativas culturales y reglamentarias evolucionan a medida que avanza”. Hay otros retos y tecnologías de privacidad muy interesantes, continúa Martin, para “garantizar que el modelo que produzcas no filtre información sobre los datos o que mantenga la integridad contextual sobre cómo se recogieron y para qué se pretenden utilizar”.

 

De la teoría a la práctica

El resultado de Penn Medicine e Intel se logró mediante el procesamiento de grandes volúmenes de datos en un sistema descentralizado que conjuga la tecnología de aprendizaje federado del fabricante de semiconductores con el Intel Software Guard Extensions (SGX), una solución que elimina las barreras de intercambio de datos que históricamente han impedido la colaboración en investigaciones similares sobre el cáncer y otras enfermedades. “El sistema resuelve numerosos problemas de privacidad al mantener los datos en bruto dentro de la infraestructura informática de los titulares de los datos. De esta manera permite únicamente el envío de las actualizaciones de los modelos calculados a partir de esos datos a un servidor central o agregado, no los datos en sí”.

 

 

Así, Penn Medicine y el resto instituciones internacionales de atención sanitaria participantes en el proyecto utilizaron el hardware y el software de aprendizaje federado para mejorar la detección de límites de cáncer poco frecuentes. Los radiólogos emplearon para ello una nueva plataforma de software de IA de última generación bautizada como Federated Tumor Segmentation (FeTS) para determinar el límite de un tumor y mejorar la identificación de la “región operable” de los tumores o el “núcleo tumoral”. Posteriormente, los radiólogos anotaron sus datos y utilizaron el aprendizaje federado abierto (OpenFL), un marco de código abierto para el entrenamiento de algoritmos de aprendizaje automático, para ejecutar el entrenamiento federado. La plataforma se entrenó con 3,7 millones de imágenes de 6.314 pacientes de glioblastoma, lo que se traduce en el mayor conjunto de datos de tumores cerebrales hasta la fecha.   

 

Un potencial arrollador

Para avanzar en el tratamiento de las enfermedades, los investigadores deben acceder a grandes cantidades de datos médicos; en la mayoría de los casos, conjuntos de datos que superan el umbral que puede producir un solo centro. La citada investigación demuestra la eficacia del aprendizaje federado a escala y los beneficios potenciales que el sector sanitario puede obtener cuando se desbloquean los silos de datos de varios centros. Entre las ventajas que brinda se encuentra la detección precoz de enfermedades, que podría mejorar la calidad de vida o aumentar la esperanza de vida de un sinfín de pacientes a lo largo y ancho del globo. “Espero que proyectos como este traigan más realismo para que veamos el impacto real que la tecnología y la investigación pueden tener en los entornos clínicos. Continuaremos trabajando para que esto pueda convertirse en parte del flujo de trabajo de la ciencia de datos para la IA. La promesa está aquí”.



Webinars

Nuevo número de nuestra revista de canal 
 
DealerWorld Digital

 

Cobertura de nuestros encuentros

 

Documentos ComputerWorld



Forma parte de nuestra comunidad

 

¿Te interesan nuestras conferencias?