建築上のプライバシーの仕組み

出典: ゲッティイメージズ

2023 年 8 月 31 日 - データ分析は医療の質の向上と医療の進歩に不可欠ですが、プロセス全体を通じて患者データの保護を最優先する必要があります。

プライバシー強化テクノロジー (PET) は、医療機関がデータのプライバシーとセキュリティのために活用できる重要なツールです。 PET は、アルゴリズム、アーキテクチャ、拡張の 3 つのカテゴリに分類できます。 ヘルスケア分析をサポートするには、これらのタイプを組み合わせることをお勧めします。

これは、アルゴリズム PET を深く掘り下げた後、PET の各カテゴリーとその医療ユースケースを分析するシリーズの 2 回目です。

ここで、HealthITAnalytics は 2 番目のタイプである建築型 PET を調査します。

プライバシーを保護するためにデータの表現方法を変更するアルゴリズム PET とは異なり、アーキテクチャ PET はデータまたはコンピューティング環境の構造に関係します。 これらの PET は、基礎となるデータを共有せずに機密情報を交換することに重点を置いています。

フェデレーション ラーニングは、人工知能 (AI) および機械学習 (ML) モデルの開発でよく使用されるアプローチです。

IBM は、モデル自体を支えるデータに誰もアクセスすることなく、これらのモデルをトレーニングするのに役立つ方法としてフェデレーテッド ラーニングを概念化しています。

「フェデレーテッド ラーニングでは、複数の人々がデータをリモートで共有して、単一のディープ ラーニング モデルを共同でトレーニングし、チームのプレゼンテーションやレポートのように反復的にモデルを改善します。 各当事者は、クラウド内のデータセンターからモデルをダウンロードします。通常は、事前トレーニングされた基盤モデルです。 彼らはプライベート データに基づいてそれをトレーニングし、モデルの新しい構成を要約して暗号化します。 モデルの更新はクラウドに送り返され、復号化され、平均化されて、一元化されたモデルに統合されます。 反復に次ぐ反復で、モデルが完全にトレーニングされるまで共同トレーニングが継続されます。」

調査によると、生物医学データの連合学習アプリケーションのほとんどは放射線学と腫瘍学に焦点を当てています。 ユースケースとしては、脳画像処理、新型コロナウイルス感染症 (COVID-19) 診断、腫瘍検出、がんバイオマーカー予測、IoT (Internet of Healthcare Things) (IoHT) アプリケーションなどがあります。 研究者らは、AIベースのスクリーニングツールの公平性を向上させるフェデレーションラーニングフレームワークも提案している。

ペンシルベニア大学（ペンシルバニア州）のペレルマン医学部の研究者は、2018 年に現実世界の医療画像データにおける連合学習の最初の応用に取り組みました。

これらの取り組みを説明する研究は 2019 年に発表され、フェデレーテッド ラーニングを介してトレーニングされた深層学習モデルが脳腫瘍画像を正確にセグメント化でき、従来のデータ共有方法でトレーニングされた場合に同じモデルのパフォーマンスの 99% を達成できることが実証されました。

この研究は、一般に画像解析研究に関連するデータの取得、ラベル付け、共有の課題に対処するためにフェデレーテッド ラーニングを利用する実現可能性を確立するのに役立ちました。

同年、ペンシルベニア州生物医学画像コンピューティングおよび分析センター (CBICA) の研究者は、腫瘍セグメンテーションに焦点を当てた連合学習フレームワークを開発するために、3 年間で 120 万ドルの連邦補助金を獲得しました。

この助成金により、ペン氏はこれらの取り組みを推進するために世界中の 29 機関の共同作業の先頭に立った。

フェデレーテッド ラーニング ベースのヘルスケア アプリケーションの潜在的な利点には、データ プライバシーの強化、精度と実用性のバランスの達成、低コストの医療データ トレーニングの実現、データの断片化の削減などが含まれます。 このアプローチにより、非同期送信も可能になり、複数の機関間のコラボレーションとコミュニケーションを強化できます。

フェデレーテッド ラーニングでは、ユーザーがモデルをデータに移動することができるため、その逆ではなく、ローカル モデル トレーニングでは、各ユーザーが高次元のストレージを大量に使用する医療データを複製する必要がありません。 研究者らは、これにより、データ ストレージ要件を増やすことなく、増大するデータセットに合わせてモデルを自然に拡張できると指摘しています。