Comment l’apprentissage fusionné pourrait faire évoluer l’IA médicale

L’IA est extrêmement prometteuse dans la découverte de nouveaux modèles enfouis dans des montagnes de données. Pourtant, certaines données restent isolées dans différents silos pour des raisons techniques, éthiques et commerciales. Une nouvelle technique prometteuse d’intelligence artificielle et d’apprentissage automatique appelée apprentissage amalgamé pourrait aider à surmonter ces silos pour trouver de nouveaux remèdes contre les maladies, prévenir la fraude et améliorer les équipements industriels. Cela peut également fournir un moyen de construire des jumeaux numériques à partir de formes de données incohérentes.

Lors de la conférence Imec Future Summits, Roel Wuyts a détaillé le fonctionnement de l’apprentissage fusionné et comment il se compare à des techniques connexes telles que l’apprentissage fédéré et le cryptage homomorphe dans une interview exclusive avec VentureBeat. Wuyts est responsable de l’ExaScale Life Lab à Imec, une collaboration scientifique interprofessionnelle en Europe et professeur à la Katholieke Universiteit Leuven en Belgique.

Il a dirigé une équipe axée sur l’exploration de différentes approches pour faire évoluer l’IA auprès de divers participants afin d’améliorer la fabrication de semi-conducteurs, la recherche médicale et d’autres domaines.

“Nous aimerions effectuer des analyses basées sur les données au niveau de la population pour rechercher de nouveaux marqueurs que personne n’a vus auparavant”, a déclaré Wuyts. “Au fur et à mesure que nous recueillons plus de données, il devient plus difficile pour les humains de remarquer des modèles enfouis dans ces données.” L’informatique renforcée par la confidentialité au niveau de la population pourrait être utile.

Recherche médicale préservant la confidentialité

À une extrémité du spectre, de nouvelles techniques informatiques comme le cryptage homomorphe permettent à plusieurs participants de partager des données pour collaborer sur de nouveaux modèles d’IA avec une grande confiance. Cependant, cela ajoute également beaucoup de temps de calcul. Les implémentations plus anciennes s’exécutaient environ dix mille fois plus lentement que des algorithmes comparables en clair et maintenant les chercheurs réduisent cela à environ mille fois plus lentement. Wuyts a déclaré que ce n’était toujours pas pratique pour la recherche sur la population à grande échelle.

Lire aussi  Alors hé, voici une tortue chassant et mangeant un bébé oiseau

À l’autre extrémité du spectre, les techniques d’apprentissage fédéré permettent à différents participants de mettre à jour localement un modèle d’apprentissage automatique sans envoyer de données sensibles à d’autres. Dans ce cas, seules les mises à jour du modèle sont partagées avec d’autres. Ce type d’approche est beaucoup plus efficace que le chiffrement homomorphe. Son équipe a exploré des moyens de prédire la fibrillation auriculaire en appliquant l’apprentissage fédéré dans plusieurs hôpitaux.

La fibrillation auriculaire est un rythme cardiaque irrégulier qui peut entraîner la formation de caillots sanguins dans le cœur. L’espoir est que de meilleures données médicales et de nouvelles montres intelligentes pourraient fournir de meilleurs signes avant-coureurs pour aider à réduire ces risques. Mais les hôpitaux sont confrontés à divers problèmes d’éthique et de confidentialité lorsqu’ils partagent ce type de données au niveau de la population. Son équipe a déjà constaté des premiers résultats prometteurs dans ces collaborations. Plus tard, il prédit que nous pourrions tous bénéficier des données collectées par la smartwatch de notre voisin.

Limites de l’apprentissage fédéré

Cependant, l’apprentissage fédéré présente certains défis. Pour commencer, tous les hôpitaux ou entreprises de soins de santé concernés doivent utiliser le même modèle et les mêmes techniques. Cela pourrait être un problème si un hôpital espère commercialiser un nouveau modèle d’IA.

“Dans certains cas, ils ne veulent pas partager les données ou les modèles qu’ils développent car cela pourrait leur procurer un avantage concurrentiel”, a déclaré Wuyts.

Un autre problème est qu’il nécessite que toutes les données soient normalisées. Ce n’est pas un gros problème dans des domaines comme la recherche cardiaque, où il existe un consensus sur comment et quoi mesurer. Cependant, cela peut être plus problématique lorsque les équipes essaient d’apporter plus de données à partir de nouvelles sources lorsque les équipes ont des processus différents pour collecter et annoter les données. Wuyts a noté que même dans des domaines comme la recherche en génomique, chaque hôpital peut différer dans la manière dont il collecte les données, ce qui affecte les résultats de l’étude.

Un autre problème est de savoir comment les médecins codent différentes maladies. Par exemple, dans certaines de leurs recherches, ils ont trouvé des différences régionales dans la façon dont les médecins de différents systèmes de santé enregistreraient les mêmes affections dans les systèmes de santé. Cela peut résulter des types de remboursements pour différentes maladies traitées à l’aide d’approches similaires.

Lire aussi  Le plan de l'IEEE pour aider à lutter contre le changement climatique

Apprentissage fusionné

Son équipe a récemment commencé à expérimenter l’apprentissage fusionné pour la recherche à grande échelle sur le cancer. Comme l’apprentissage fédéré, il est beaucoup plus rapide que le chiffrement homomorphe et il n’exige pas que les participants partagent des données. Un autre avantage est qu’il prend en charge plusieurs modèles, de sorte que les participants n’ont pas à partager la propriété intellectuelle intégrée entre eux. Cela pourrait encourager la recherche médicale interprofessionnelle par des concurrents qui améliore les résultats pour tout le monde tout en protégeant les intérêts commerciaux.

La technique semble fonctionner même lorsque chaque participant encode les données légèrement différemment. La clé est que la technique tire parti des différences détectées dans chaque ensemble de données locales. En conséquence, chacun pourrait apprendre de l’expérience des autres, même lorsque ses propres procédures de collecte de données hospitalières sont différentes, tant que ces procédures sont cohérentes en interne. “Nous pensons que nous n’aurons pas autant besoin de normaliser les données entre les parties pour former un modèle local”, a déclaré Wuyts.

L’une des préoccupations est que cet apprentissage fusionné rend plus difficile de démêler les biais ou de comprendre comment un modèle est parvenu à une conclusion particulière par rapport aux approches traditionnelles. Par conséquent, ils se concentrent sur l’utilisation de techniques d’IA plus explicables qui lui permettent d’identifier et d’auditer les différents facteurs pouvant affecter les résultats.

“Vous devez créer toute une pile d’outils pour sonder et enregistrer ce qui se passe, afin que les gens puissent y jeter un coup d’œil”, a déclaré Wuyts. “Ils se concentrent sur des modèles plus explicables afin que si quelque chose ne va pas, les gens puissent enquêter et identifier ce qui ne va pas.”

Lire aussi  Les textes d'Elon Musk avec Jack Dorsey et Parag Agrawal détaillent les négociations tumultueuses sur Twitter

Un autre avantage est que l’apprentissage fusionné aidera également à personnaliser les jumeaux numériques des individus, même lorsque leurs points de consigne locaux pour des choses comme la température ou d’autres signes vitaux sont légèrement différents. Par exemple, certaines personnes sont plus enclines à s’échauffer que d’autres. Il est plus important de surveiller les changements chez chaque individu que les points de consigne globaux à travers la population.

“Si nous pouvons capturer le bon signal, c’est plus intéressant que d’afficher la valeur brute”, a déclaré Wuyts.

Related News

Leave a Reply

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Recent News

Editor's Pick