يمكن أن يؤدي نموذج التعلم الموحد للذكاء الاصطناعي إلى طفرة في الرعاية الصحية

لا يمكن التقليل من إمكانات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) لتحسين صحة الإنسان ، لكنها تواجه تحديات.

من بين التحديات الكبيرة التعامل مع مصادر البيانات المنعزلة ، لذلك لا يستطيع الباحثون تحليل البيانات بسهولة من مواقع ومبادرات متعددة ، مع الحفاظ على الخصوصية. إنه تحد يمكن حله من خلال نهج يعرف باسم التعلم الموحد.

اليوم في تقرير بحثي نُشر لأول مرة في طب الطبيعة، كشف أوكين ، بائع التكنولوجيا الحيوية بالذكاء الاصطناعي ، عن مدى قوة النموذج الفيدرالي في مجال الرعاية الصحية. تمكنت أوكين ، التي عملت جنبًا إلى جنب مع باحثين في أربعة مستشفيات في فرنسا ، من بناء نموذج بتقنية مفتوحة المصدر تدعي أنه سيكون لها تأثير كبير على القدرة على المساعدة في علاج سرطان الثدي بشكل فعال. تمكنت نماذج Owkin AI من تحديد المؤشرات الحيوية الجديدة بدقة والتي يمكن أن تؤدي إلى تحسين الرعاية الطبية الشخصية.

قال جان دو تيرايل ، كبير علماء التعلم الآلي في أوكين ، لموقع VentureBeat: “أوكين هي شركة تكنولوجيا حيوية تعمل بالذكاء الاصطناعي ولدينا حقًا هذا الهدف الطموح ، وهو علاج السرطان”. “نحن نحاول الاستفادة من قوة الذكاء الاصطناعي والتعلم الآلي ، بالإضافة إلى شبكة شركائنا ، للمضي قدمًا نحو هذا الهدف.”

Owkin هي واحدة من أهم الشركات الناشئة في مجال التكنولوجيا الحيوية في السوق اليوم. جمعت الشركة 80 مليون دولار من التمويل مرة أخرى في يونيو 2022 ، من شركة الأدوية العملاقة بريستول مايرز سكويب ، مما جلب إجمالي التمويل لشركة يونيكورن الناشئة ، أكثر من 300 مليون دولار منذ تأسيس الشركة في عام 2016.

لماذا يعد التعلم الفيدرالي أمرًا بالغ الأهمية للنهوض بالرعاية الصحية للذكاء الاصطناعي

في الرعاية الصحية والدراسات السريرية ، غالبًا ما يكون هناك قدر كبير من معلومات التعريف الشخصية التي تحتاج إلى الحماية والحفاظ على خصوصيتها. غالبًا ما يُطلب من الباحثين والمستشفيات أيضًا الاحتفاظ ببعض البيانات داخل مؤسساتهم ، مما قد يؤدي إلى صوامع المعلومات والاحتكاك التعاوني.

أوضح Terrail أن التعلم الفيدرالي يوفر نهجًا يمكن أن يحدث من خلاله تدريب ML عبر صوامع المعلومات المختلفة على بيانات المرضى الموجودة في المستشفيات ومراكز الأبحاث. وأكد أن النهج الذي طوره أوكين لا يتطلب أن تترك البيانات في الواقع منشأة المصدر وحماية خصوصية المريض.

يُعد نهج التعلم الموحد بديلاً لاستخدام البيانات التركيبية ، والتي تُستخدم أيضًا بشكل شائع في الرعاية الصحية للمساعدة في حماية الخصوصية. أوضح Terrail أن التعلم الفيدرالي يمكّن الباحثين من الوصول إلى بيانات العالم الحقيقي المؤمنة خلف جدران الحماية وغالبًا ما يصعب الوصول إليها. في المقابل ، البيانات التركيبية هي بيانات محاكاة قد لا تكون ممثلة بالكامل لما يمكن العثور عليه في العالم الحقيقي. تكمن خطورة البيانات التركيبية في وجهة نظر Terrail في أن خوارزميات الذكاء الاصطناعي التي تم إنشاؤها باستخدامها قد لا تكون دقيقة.

لحماية خصوصية المريض ، يتضمن نهج Owkin جعل البيانات تمر بعملية تعرف باسم تحديد الهوية المستعارة. أوضح Terrail أن عملية تحديد الهوية المستعارة تزيل بشكل أساسي أي معلومات تعريف شخصية.

برنامج مفتوح المصدر يتيح التعلم الموحد

طور أوكين مجموعة تكنولوجية للتعلم الفيدرالي تسمى Substra ، وهي الآن مفتوحة المصدر. يتم استضافة مشروع Substra حاليًا بواسطة مبادرة الذكاء الاصطناعي والبيانات التابعة لمؤسسة Linux.

قال Terrail أن منصة Substra تمكن مهندسي البيانات في المستشفيات من ربط المصادر عن بعد لتدريب ML. وأشار إلى Substra باعتباره تطبيق “PyTorch on steroids” الذي يمكّن الباحثين من إضافة قدرات أعلى أطر التعلم الآلي الحالية ، مثل PyTorch. تعمل الإمكانات الإضافية على تمكين نهج نموذج التعلم الموحد ، حيث توجد البيانات بشكل آمن وخاص في مواقع متباينة.

تستفيد تقنية Substra أيضًا من تقنية Hyperledger غير القابلة للتغيير في دفتر الأستاذ مفتوح المصدر. تمكّن تقنية Hyperledger Substra و Owkin من تتبع جميع البيانات المستخدمة بدقة. قال Terrail أن Hyperledger هو ما يتيح إمكانية التتبع في كل عملية يتم إجراؤها مع Substra ، وهو أمر بالغ الأهمية لضمان نجاح الجهود السريرية. مع إمكانية التتبع ، يمكن للباحثين التحقق من جميع الخطوات والبيانات التي تم استخدامها. بالإضافة إلى ذلك ، فهو يساعد في تمكين الذكاء الاصطناعي القابل للتفسير حيث أن البيانات لا توجد كلها فقط في صندوق أسود لا يمكن لأحد تدقيقه.

تحسين علاج سرطان الثدي من خلال التعلم الموحد

عملت فرق Owkin مع الباحثين في أربعة مستشفيات ، وتمكنوا من تدريب نموذج التعلم الفيدرالي على المعلومات السريرية وبيانات علم الأمراض من 650 مريضًا.

قال تيرايل: “لقد دربنا النموذج على التنبؤ باستجابة المريض للعلاج الكيميائي المساعد الجديد ، وهو المعيار الذهبي”. “إنه في الأساس ما تقدمه لمرضى سرطان الثدي السلبي الثلاثي في ​​المرحلة المبكرة ، لكنك لا تعرف ما إذا كان سيعمل أم لا.”

صُمم البحث لبناء ذكاء اصطناعي يمكنه تحديد كيفية استجابة المريض وما إذا كان من المرجح أن ينجح العلاج أم لا. يمكن أن يساعد النموذج أيضًا في توجيه المريض إلى علاجات أخرى.

وفقًا لتوماس كلوزل ، الشريك المؤسس والرئيس التنفيذي لشركة Owkin ، فإن الاختراق في علاج السرطان يعتمد على نجاح نموذج التعلم الفيدرالي القادر على جمع المزيد من البيانات لتدريب الذكاء الاصطناعي أكثر مما تم القيام به سابقًا.

قال كلوزل لموقع VentureBeat: “نريد بناء التعلم الفيدرالي لكسر الصوامع التنافسية والبحثية”. “يتعلق الأمر بالاتصال البشري والقدرة على إنشاء هذه الشبكة الموحدة من أفضل الممارسين في هذا المجال والباحثين القادرين على العمل معًا.”