La atención médica ha sido uno de los primeros campos en adoptar la inteligencia artificial (IA), porque la tecnología tiene la capacidad de encontrar agujas en los pajares de datos mucho más rápido que las personas. Este aumento de velocidad a menudo puede salvar vidas; el tiempo es de suma importancia en esta «empresa». Además, los sistemas de IA a menudo pueden encontrar cosas que no son evidentes incluso para el médico más experto.
Por ejemplo, ZK Research recientemente entrevistó a un científico de datos en una institución de atención médica líder en el área de Boston, donde el departamento de radiología usó IA para inspeccionar las IRM. Los sistemas de IA pueden detectar hemorragias cerebrales y otros problemas que son pequeños e imperceptibles para el ojo humano. Esto permite que los médicos pasen más tiempo tratando a los pacientes y menos tiempo diagnosticando el problema.
La privacidad de los datos del paciente limita el uso de la IA en la atención médica
Uno de los principales factores que frenan la IA en la atención médica es permitir que el aprendizaje automático y los marcos de IA accedan a los volúmenes masivos de datos de pacientes sin violar su privacidad. En la reciente conferencia anual de la Sociedad Radiológica de América del Norte (RSNA), NVIDIA demostró una solución que puede superar este obstáculo.
NVIDIA presentó su apredizaje federado Clara, que utiliza una técnica de apredizaje distribuido y colaborativo que mantiene los datos del paciente dentro de las paredes de un proveedor de atención médica en lugar de incorporarlos a un servicio en la nube. Esto se logra ejecutando Clara Federated Learning en la plataforma de computación edge inteligente NVIDIA EGX recientemente anunciada.
NVIDIA, el líder del mercado de GPU, ha sido fundamental para llevar el ML y la IA a más verticales mediante la creación de sistemas para abordar las necesidades específicas de la industria, y el nuevo caso de uso de atención médica es un gran ejemplo. Clara Federated Learning es una aplicación de referencia para la capacitación distribuida y colaborativa del modelo de IA que garantiza la privacidad de la información del paciente. La carga de trabajo en un servidor edge de cualquier número de socios de NVIDIA puede capacitar a los sistemas a nivel mundial al compartir datos etiquetados con otros hospitales. El conjunto de datos más grande crea modelos más precisos y reduce significativamente el tiempo que los médicos necesitan para gastar los datos de etiquetado.
Clara Federated Learning acelera el entrenamiento de IA mientras protege los datos del paciente
El sistema se ha empaquetado en un diagrama de Helm para facilitar la implementación en la infraestructura de Kubernetes. El nodo de cómputo NVIDIA EGX Edge aprovisiona de forma segura el servidor federado y los clientes colaboradores, entregando todo el conjunto de lo que se necesita para ejecutar un proyecto de apredizaje federado, incluidos los contenedores y el modelo de IA inicial.
La singularidad de los sistemas es que utiliza datos de capacitación distribuidos en múltiples instituciones de atención médica para desarrollar mejores modelos de IA sin compartir datos de pacientes. Cada hospital puede etiquetar sus propios datos del paciente utilizando el SDK de anotación asistida por la IA Clara de NVIDIA, que se ha integrado en una serie de visores médicos, como 3D Slicer, MITK, Fovia y Philips Intellispace Discovery. los modelos pre- entrenados y las técnicas de transferencia de aprendizaje aceleran rápidamente el tiempo de apredizaje. Algunos hospitales le han dicho a ZK Research que los procesos que solían llevar horas, ahora se pueden realizar en minutos.
La privacidad, por su parte, está garantizada ya que los resultados de la capacitación se comparten de nuevo con el servidor de aprendizaje federado a través de un enlace seguro. Además, el sistema solo comparte información del modelo y no registros de pacientes, protegiendo la información confidencial. El proceso se ejecuta de forma iterativa hasta que el modelo de IA alcanza un nivel predeterminado de precisión.