Une nouvelle méthode d'IA peut s'entraîner sur les dossiers médicaux sans révéler les données des patients

Catégorie: Intelligence artificielle Posté 11 décembre

Lorsque Google a annoncé qu'il absorberait la division santé de DeepMind, cela a déclenché une polémique majeure sur la confidentialité des données. Bien que DeepMind ait confirmé que cette décision ne transmettrait pas réellement les données brutes des patients à Google, la simple idée de donner à un géant de la technologie des dossiers médicaux intimes et identifiants rendait les gens mal à l'aise. Ce problème d'obtention de nombreuses données de haute qualité est devenu le plus grand obstacle à l'application de l'apprentissage automatique en médecine.

Pour contourner le problème, les chercheurs en IA ont avancé nouvelles techniques pour former des modèles d'apprentissage automatique tout en gardant les données confidentielles. le dernière méthode , du MIT, s'appelle un réseau de neurones divisé : il permet à une personne de commencer à former un modèle d'apprentissage en profondeur et à une autre de terminer.

L'idée est que les hôpitaux et autres institutions médicales pourraient former leurs modèles en partie avec les données de leurs patients localement, puis envoyer chacun leur modèle à moitié formé à un emplacement centralisé pour terminer les dernières étapes de la formation avec leurs modèles ensemble. L'emplacement centralisé, qu'il s'agisse des services cloud de Google ou d'une autre société, ne verrait jamais les données brutes des patients ; ils ne verraient que la sortie du modèle à moitié cuit plus le modèle lui-même. Mais les hôpitaux bénéficieraient d'un modèle final formé sur une combinaison des données de chaque établissement participant.

Ramesh Raskar, professeur agrégé au MIT Media Lab et co-auteur de l'article, compare ce processus au cryptage des données. Ce n'est qu'à cause du cryptage que je me sens à l'aise d'envoyer les données de ma carte de crédit à une autre entité, dit-il. L'obscurcissement des données médicales au cours des premières étapes d'un réseau de neurones protège les données de la même manière.

En testant cette approche par rapport à d'autres également conçues pour assurer la sécurité des données des patients, l'équipe de recherche a découvert que les réseaux de neurones fractionnés nécessitent beaucoup moins de ressources de calcul pour s'entraîner et produisent également des modèles avec une précision beaucoup plus élevée.

Cet article a été initialement publié dans notre newsletter AI The Algorithm. Pour le recevoir directement dans votre boîte de réception, inscrivez-vous ici gratuitement.