توسعه روشی برای تشخیص تومورهای مغزی بدخیم
پژوهشگران مرکز پزشکی اراسموس در روتردام از توسعه روشی جدید برای تشخیص تومورهای مغزی بدخیم خبر دادند.
مرکز پزشکی اراسموس در روتردام هلند، طی پژوهشی مشترک با آزمایشگاه‌های اینتل و دانشکده پزشکی پرلمن در دانشگاه پنسیلوانیای آمریکا، راهی برای تشخیص تومورهای بدخیم مغزی در مراحل اولیه پیدا کرده است.
برای انجام این کار، پژوهشگران از یک روش جدید به نام یادگیری فدرال استفاده کردند. این کار، روشی برای ترکیب یادگیری ماشینی (ML) با هوش مصنوعی (AI) است. این پروژه نشان داد که می‌توان تشخیص تومورهای مغزی را با این روش تا یک‌سوم بهبود بخشید.
این بزرگ‌ترین پژوهش درباره یادگیری فدرال پزشکی تا به امروز است که مجموعه داده جهانی بی‌سابقه‌ای شامل ۷۱ موسسه در شش قاره را بررسی کرده است.
“فناوری هوشمند” رسانه تخصصی انقلاب صنعتی چهارم
به گفته جیسون مارتین، مهندس ارشد آزمایشگاه اینتل، یادگیری فدرال، پتانسیل فوق‌العاده‌ای در بسیاری از حوزه‌ها، به‌ویژه در مراقبت‌های بهداشتی دارد. توانایی محافظت از اطلاعات و داده‌های حساس پنجره‌ای را برای پژوهش‌ها و همکاری‌های آتی باز می‌کند.
در دسترس قرار دادن داده‌ها
دسترسی به داده‌ها به‌دلیل قوانین ملی حفاظت از داده‌ها، همراه با مقررات عمومی حفاظت از داده‌ها (GDPR) برای مدتی طولانی در مراقبت‌های بهداشتی مشکل‌ساز بوده است. این امر انجام تحقیقات پزشکی در مقیاس بزرگ و به‌اشتراک‌گذاری داده‌ها بدون به خطر انداختن حریم خصوصی بیماران را عملاً غیرممکن کرده است. سخت افزار و نرم‌افزار یادگیری فدرال اینتل با الزامات حفظ حریم خصوصی داده‌ها مطابقت دارد و از یکپارچگی، حریم خصوصی و امنیت داده‌ها با استفاده از رایانه‌های مورداعتماد محافظت می‌کند.
محتوی بیشتر از سلامتی و پزشکی هوشمند:
- شناسایی راز های «دی ان ای » با هوش مصنوعی
- توسعه روشی برای تشخیص تومورهای مغزی بدخیم
- تشخیص صحیح بیماری با استفاده از فناوری
- ربات خزنده کوچک بیماری‌ها را درمان می‌کند!
حریم خصوصی داده‌ها
نتایج پژوهش‌ها با پردازش مقادیر زیادی داده در یک سیستم غیرمتمرکز به‌دست آمد. این کار با استفاده از فناوری یادگیری فدرال اینتل همراه با نرم‌افزار Software Guard Extensions (SGX) انجام شد. این سیستم با حفظ داده‌های خام موجود در شبکه خود بیمارستان اجازه می‌دهد که به‌روزرسانی‌های مدلی که بر اساس آن داده‌ها محاسبه می‌شوند، به سرور مرکزی (یا جمع‌کننده) ارسال شوند.
درمان‌های شخصی
دکتر اسمیت، رادیولوژیست و پژوهشگر زیست‌پزشکی از اراسموس، گفت: یادگیری فدرال این امکان را برای ما فراهم کرد تا به بهبود تشخیص خودکار تومور بدون نیاز به ارسال هیچ‌گونه اطلاعاتی برای بیمار کمک کنیم. تشخیص خودکار تومور گام مهمی برای شخصی‌سازی و نظارت بر درمان است و برای توسعه این روش، استفاده از داده‌های بسیاری از موسسه‌های مختلف ضروری بود. به لطف این همکاری، ما توانستیم این کار را به‌راحتی انجام دهیم، در حالی که همچنان کنترل داده‌های خود را در شبکه‌های خود حفظ می‌کنیم.
منبع: ایسنا
” اقتصادالکترونیکی“آخرین و به روزترین محتوی در اقتصاددیجیتال
