Un algoritmo desarrollado por investigadores de Helmholtz Munich, la Universidad Técnica de Munich (TUM) y su Hospital Universitario rechts der Isar, el Hospital Universitario Bonn (UKB) y la Universidad de Bonn es capaz de aprender de forma independiente en diferentes instituciones médicas. La característica clave es que es de autoaprendizaje, lo que significa que no requiere hallazgos o marcas extensas y que consumen mucho tiempo por parte de los radiólogos en las imágenes de resonancia magnética.

Este algoritmo federado se entrenó en más de 1500 resonancias magnéticas de participantes sanos del estudio de cuatro instituciones, manteniendo la privacidad de los datos. Luego, el algoritmo se usó para analizar más de 500 resonancias magnéticas de pacientes para detectar enfermedades como la esclerosis múltiple, la enfermedad vascular y varias formas de tumores cerebrales que el algoritmo nunca había visto antes. Esto abre nuevas posibilidades para desarrollar algoritmos federados eficientes basados ​​en IA que aprenden de forma autónoma mientras protegen la privacidad. El estudio se ha publicado ahora en la revista Nature Machine Intelligence.

El cuidado de la salud está siendo revolucionado actualmente por la inteligencia artificial. Con soluciones precisas de IA, los médicos pueden recibir apoyo en el diagnóstico. Sin embargo, tales algoritmos requieren una cantidad considerable de datos y los hallazgos del especialista radiológico asociado para el entrenamiento. Sin embargo, la creación de una base de datos central tan grande impone exigencias especiales a la protección de datos. Además, la creación de hallazgos y anotaciones, por ejemplo, el marcado de tumores en una imagen de resonancia magnética, requiere mucho tiempo.

Para superar estos desafíos, un equipo multidisciplinario de Helmholtz Munich, el Hospital Universitario de Bonn y la Universidad de Bonn colaboraron con médicos e investigadores del Imperial College London y TUM y su University Hospital rechts der Isar. El objetivo era desarrollar un algoritmo de diagnóstico médico basado en IA para imágenes de resonancia magnética del cerebro, sin datos anotados o procesados ​​por un radiólogo. Además, este algoritmo debía ser entrenado "federalmente":De esta manera, el algoritmo "viene a los datos", de modo que los datos de imágenes médicas que requieren una protección especial podrían permanecer en la clínica respectiva y no tenían que recopilarse de forma centralizada.

Aprender de varios institutos sin intercambio de datos

En su estudio, los investigadores pudieron demostrar que el algoritmo de IA federado que desarrollaron superó a cualquier algoritmo de IA entrenado utilizando solo datos de una sola institución. "En su 'La sabiduría de las multitudes', James Surowiecki argumentó que grandes grupos de personas son más inteligentes, sin importar cuán inteligente pueda ser un individuo. Básicamente, así es como funciona nuestro algoritmo de IA federado", dice el Prof. Dr. Shadi Albarqouni, Profesor de Investigación de Imágenes Médicas Computacionales en el Departamento de Diagnóstico y Radiología Intervencionista del Hospital Universitario de Bonn y líder del grupo de investigación junior de Helmholtz AI en Helmholtz Munich. Para compartir el conocimiento sobre las imágenes de resonancia magnética del cerebro, el equipo de investigación entrenó el algoritmo de IA en instituciones médicas diferentes e independientes sin violar la privacidad de los datos ni recopilarlos de forma centralizada.

"Una vez que este algoritmo aprenda cómo se ven las imágenes de resonancia magnética del cerebro sano, será más fácil detectar enfermedades. Para lograr esto, se requiere una agregación computacional inteligente y coordinación entre los institutos participantes", dice el Prof. Dr. Albarqouni. PD Dr. Benedikt Wiestler, médico principal del Hospital Universitario rechts der Isar de TUM y también involucrado en el estudio. Agrega que "entrenar el modelo con datos de diferentes centros contribuye significativamente al hecho de que nuestro algoritmo detecta enfermedades de manera mucho más sólida que otros algoritmos que solo se entrenan con datos de un centro".

Hacia soluciones asequibles de IA colaborativa

Al proteger los datos de los pacientes y al mismo tiempo reducir la carga de trabajo de los radiólogos, los investigadores creen que su tecnología de inteligencia artificial federada hará avanzar significativamente la medicina digital.

"La IA y la atención médica deben ser asequibles, y ese es nuestro objetivo. Con nuestro estudio, hemos dado un paso en esta dirección", dice el Prof. Dr. Albarqouni. "Nuestro principal objetivo es desarrollar algoritmos de IA, capacitados en colaboración en diferentes institutos médicos descentralizados, incluidos aquellos con recursos limitados". + Explora más

La nueva tecnología de IA protege la privacidad en los entornos sanitarios