Wir verbinden von Menschen gewonnene Erkenntnisse mit sicherem und schnellem Datenzugriff, um Hochleistungsmodelle zu trainieren.
Zusammenarbeit
Wir kombinieren Spitzentechnologien wie föderiertes Lernen mit einscheidendem klinischem Fachwissen und einem Netz von akademischen Forschern. Auf diese Weise kann die Forschung auf sichere und den Datenschutz wahrende Weise beschleunigt werden.
Herausforderungen
Was wäre, wenn wir globale Dateneinblicke nahtlos teilen könnten?
Strenge Vorschriften zum Schutz von Patientendaten
Regulatorische Anforderungen wie DSGVO und HIPAA und die Angst, Wettbewerbsvorteile oder den Schutz von Patientendaten zu gefährden, komplizieren die gemeinsame Nutzung von Daten.
Unzusammenhängende Daten
Komplementäre Datensätze können nicht einfach abgerufen und für das Modelltraining kombiniert werden.
Datenharmonisierung
Unterschiedliche Standards für die Datenstruktur, die Digitalisierung, die Speicherung, die Einhaltung des Datenschutzes und die geografische Verteilung überlagern und verstärken sich gegenseitig.
Strenge Vorschriften zum Schutz von Patientendaten
Regulatorische Anforderungen wie DSGVO und HIPAA und die Angst, Wettbewerbsvorteile oder den Schutz von Patientendaten zu gefährden, komplizieren die gemeinsame Nutzung von Daten.
Unzusammenhängende Daten
Komplementäre Datensätze können nicht einfach abgerufen und für das Modelltraining kombiniert werden.
Datenharmonisierung
Unterschiedliche Standards für die Datenstruktur, die Digitalisierung, die Speicherung, die Einhaltung des Datenschutzes und die geografische Verteilung überlagern und verstärken sich gegenseitig.
Owkins Lösung
Wir vereinen Klinik-, IT- und Datenspezialisten sowie bahnbrechende Technologien in einem integrierten Netzwerk, um diese Herausforderungen für eine schnellere und effektivere Forschung zu bewältigen.
Föderiertes Lernen
Föderiertes Lernen
Verbinden Sie unzusammenhängende Daten, um mit föderiertem Lernen genaue Modelle zu erstellen, ohne Daten gemeinsam zu nutzen oder zusammenzuführen.
01.
Mit föderiertem Lernen bleiben die Daten vor Ort – nur Modelle und Erkenntnisse werden zwischen den Servern ausgetauscht, wodurch der Datenschutz und die Einhaltung von Vorschriften gewährleistet werden.
02.
Diese Technologie ermöglicht Forschungsgemeinschaften den Zugang zu einer größeren Anzahl von Datensätzen, die das gesamte heterogene Bild erfassen, was zu robusteren und genaueren Modellen führt.
03.
Föderiertes Lernen unterstützt die Präzisionsmedizin, indem es den Zugriff auf die richtige Qualität und Quantität von Daten zum Trainieren von Hochleistungsmodellen freigibt.
Erfahrungsbericht
„Was die Sicherheit betrifft, so hat Owkin die Methodik sowie die externen Prüfungen bereitgestellt, die für uns eine Sicherheitsgarantie darstellen. Owkins Philosophie der Exzellenz und Schnelligkeit ist eng mit der von Krebszentren verbunden – wir passen kulturell sehr gut zusammen. Wenn wir heute KI auf unsere Daten anwenden wollten, würde ich nicht lange überlegen und Owkin anrufen.“
Head of IT Systems am Centre Léon Bérard
Owkin Connect
Owkin Connect
Erweitern Sie den Zugang zu Gesundheitsdaten bei gleichzeitigem Datenschutz mit unserer Software für föderiertes Lernen, Owkin Connect.
Die Owkin Connect-Technologie unterstützt die Zusammenarbeit im Gesundheitswesen, indem sie die Vertraulichkeit von Daten und die Einhaltung von Vorschriften gewährleistet.
Owkin Connect für die klinische Forschung
Das HealthChain Projekt bringt KI-Experten und medizinische Forscher zusammen, um medizinische Innovationen in den Bereichen Anatomie, Dermato-Onkologie und Fruchtbarkeit zu fördern und gleichzeitig den Schutz der Patientendaten zu wahren. Anforderungen wie DSGVO und HIPAA und die Angst, Wettbewerbsvorteile oder den Datenschutz von Patienten zu gefährden, machen die gemeinsame Nutzung von Daten komplex.
Die Owkin Connect-Technologie unterstützt die Zusammenarbeit im Gesundheitswesen, indem sie die Vertraulichkeit von Daten und die Einhaltung von Vorschriften gewährleistet. Owkin Connect für die Arzneimittelforschung.
Owkin Connect für die Arzneimittelforschung
Das MELLODDY Konsortium stellt sich der 1,3 Milliarden Dollar schweren Herausforderung, ein neues Medikament auf den Markt zu bringen. Dieses Projekt verbessert prädiktive maschinelle Lernmodelle basierend auf den dezentralisierten Daten von 10 pharmazeutischen Unternehmen, ohne geschützte Informationen preiszugeben.
Owkin Connect Produktleitfaden
Erfahren Sie, wie Sie Owkin Connect in einer realen Umgebung nutzen und einsetzen können.
Mehr lesen
09/10
Visualisieren Sie die Vorhersagen im Folienbetrachter für jeden einzelnen Patienten zusammen mit den zugehörigen klinischen Informationen und Kommentaren.
10/10
Heatmap-Diagramme werden auf Folien eingeblendet, um den Benutzer bei der Suche nach Regionen mit hoher Übereinstimmung mit den vorhergesagten Merkmalen zu unterstützen. Ganze Folienbilder können mit linearen und divergierenden Heatmap-Diagrammen, die per Mausklick ein- und ausgeschaltet werden können, leicht vergrößert werden.
01/10
Sobald der föderierte Durchlauf abgeschlossen ist, können die Forscher die Gesamtleistung des föderierten Modells während der Bewertungsschritte untersuchen.
02/10
Die Registrierung eines neuen Datensatzes kann einfach über die grafische Benutzeroberfläche von einem medizinischen Forscher oder über die Python-Bibliothek von IT- oder Datenwissenschaftsspezialisten vorgenommen werden.
03/10
Owkin Connect wird von einer Python-Bibliothek unterstützt, die es ermöglicht, die Plattform aus Ihrer Python-Umgebung heraus zu betreiben. Außerdem wird eine Dokumentation mitgeliefert.
04/10
Auf der Startseite von Owkin Connect werden die Kanäle föderierten Lernens angezeigt, auf die der Benutzer Zugriff hat. Jeder Kanal besteht aus einem oder mehreren Datensätzen, die für das Training eines föderierten Modells verwendet werden können, um spezifische Ergebnisse zu erzielen.
05/10
Sobald ein neuer Datensatz hochgeladen wurde, bietet Owkin Connect Kennzahlen zu Kohorten und eine einfache Möglichkeit, alle Daten innerhalb der Kohorte zu visualisieren, bevor ein Modell gestartet wird.
06/10
Die Benutzer können die Entwicklung des Modell-Trainings (den sogenannten Berechnungsplan) mit den wichtigsten Kennzahlen für jeden Schritt des Prozesses verfolgen.
07/10
Die Benutzer können auch den Code des Algorithmus direkt in der Benutzeroberfläche für jedes trainierte föderierte Modell visualisieren. Dies macht alle Berechnungen reproduzierbar.
08/10
Die Nutzer können auch zur Kohorte zurückkehren, um die Ergebnisse genauer zu analysieren. So können Sie zum Beispiel Folie für Folie untersuchen, welche Kacheln bestimmte Merkmale am besten vorhersagen.
09/10
Visualisieren Sie die Vorhersagen im Folienbetrachter für jeden einzelnen Patienten zusammen mit den zugehörigen klinischen Informationen und Kommentaren.
10/10
Heatmap-Diagramme werden auf Folien eingeblendet, um den Benutzer bei der Suche nach Regionen mit hoher Übereinstimmung mit den vorhergesagten Merkmalen zu unterstützen. Ganze Folienbilder können mit linearen und divergierenden Heatmap-Diagrammen, die per Mausklick ein- und ausgeschaltet werden können, leicht vergrößert werden.
01/10
Sobald der föderierte Durchlauf abgeschlossen ist, können die Forscher die Gesamtleistung des föderierten Modells während der Bewertungsschritte untersuchen.
02/10
Die Registrierung eines neuen Datensatzes kann einfach über die grafische Benutzeroberfläche von einem medizinischen Forscher oder über die Python-Bibliothek von IT- oder Datenwissenschaftsspezialisten vorgenommen werden.
Owkin Connect Produktleitfaden
Erfahren Sie, wie Sie Owkin Connect in einer realen Umgebung nutzen und einsetzen können.
Mehr lesen01/10
Sobald der föderierte Durchlauf abgeschlossen ist, können die Forscher die Gesamtleistung des föderierten Modells während der Bewertungsschritte untersuchen.
02/10
Die Registrierung eines neuen Datensatzes kann einfach über die grafische Benutzeroberfläche von einem medizinischen Forscher oder über die Python-Bibliothek von IT- oder Datenwissenschaftsspezialisten vorgenommen werden.
03/10
Owkin Connect wird von einer Python-Bibliothek unterstützt, die es ermöglicht, die Plattform aus Ihrer Python-Umgebung heraus zu betreiben. Außerdem wird eine Dokumentation mitgeliefert.
04/10
Auf der Startseite von Owkin Connect werden die Kanäle föderierten Lernens angezeigt, auf die der Benutzer Zugriff hat. Jeder Kanal besteht aus einem oder mehreren Datensätzen, die für das Training eines föderierten Modells verwendet werden können, um spezifische Ergebnisse zu erzielen.
05/10
Sobald ein neuer Datensatz hochgeladen wurde, bietet Owkin Connect Kennzahlen zu Kohorten und eine einfache Möglichkeit, alle Daten innerhalb der Kohorte zu visualisieren, bevor ein Modell gestartet wird.
06/10
Die Benutzer können die Entwicklung des Modell-Trainings (den sogenannten Berechnungsplan) mit den wichtigsten Kennzahlen für jeden Schritt des Prozesses verfolgen.
07/10
Die Benutzer können auch den Code des Algorithmus direkt in der Benutzeroberfläche für jedes trainierte föderierte Modell visualisieren. Dies macht alle Berechnungen reproduzierbar.
08/10
Die Nutzer können auch zur Kohorte zurückkehren, um die Ergebnisse genauer zu analysieren. So können Sie zum Beispiel Folie für Folie untersuchen, welche Kacheln bestimmte Merkmale am besten vorhersagen.
09/10
Visualisieren Sie die Vorhersagen im Folienbetrachter für jeden einzelnen Patienten zusammen mit den zugehörigen klinischen Informationen und Kommentaren.
10/10
Heatmap-Diagramme werden auf Folien eingeblendet, um den Benutzer bei der Suche nach Regionen mit hoher Übereinstimmung mit den vorhergesagten Merkmalen zu unterstützen. Ganze Folienbilder können mit linearen und divergierenden Heatmap-Diagrammen, die per Mausklick ein- und ausgeschaltet werden können, leicht vergrößert werden.
Konsortien
Konsortien
Beschleunigen Sie Ihre bahnbrechende Forschung, indem Sie mit föderiertem Lernen kollaborative Projekte unter Wahrung des Datenschutzes aufbauen.
Setzen Sie Ressourcen aus Datenpooling und Management-Arbeitspaketen frei, um sich auf das Wesentliche zu konzentrieren: Ihre wissenschaftliche Frage. Mit unserer dezentralisierten KI-Technologie können Sie sichere und effiziente Konsortien aufbauen: Die Daten werden niemals zwischen den Partnern ausgetauscht; nur die verschlüsselten Modelle werden zwischen den Rechenzentren ausgetauscht.
Daten und KOL-Netzwerk
Daten und KOL-Netzwerk
Lösen Sie die wichtigsten Fragen im Bereich Krebs durch die Kombination der besten biomedizinischen Fachkenntnisse mit künstlicher Intelligenz. Owkin hat ein Weltklasse-Forschungsnetzwerk aus führenden akademischen Zentren, KOLs und fachkundig kuratierten, hochwertigen Patientendaten aufgebaut.
Owkins Datennetzwerk enthält Kohorten umfangreicher Längsschnittdatensätze, die von medizinischen Experten für zweckmäßige Standard- und KI-Analysen kuratiert wurden. Sie umfassen viele Modalitäten: Omics, Bildgebung, Histologie und klinische Daten, die die Heterogenität der Onkologie umfassend abbilden.
Zusammenarbeit im Gesundheitswesen
Owkin ist der Beweis dafür, dass die Zusammenarbeit im Gesundheitswesen die Präzisionsmedizin Wirklichkeit werden lassen kann.
Durch Datenzugriff und KOL-Einblicke haben wir bahnbrechende Modelle entwickelt
Professor Fabrice André, MD, PhD
Forschungsleiter bei Gustave Roussy
„Owkin ist führend beim Einsatz von KI für die Vorhersage und Entdeckung von Medikamenten bei Krebs. Owkin hat Methoden entwickelt, um prädiktive Signale zu erkennen, die das menschliche Gehirn nicht erkennen kann. Wir haben innerhalb eines Jahres ein pathologisches Instrument zur Vorhersage von Rückfällen bei Brustkrebspatienten im Frühstadium entwickelt, während andere Teams jahrelang damit gekämpft haben.“
Professor Francoise Galateau Salle, MD, PhD
Leiter von MESOPATH, Abteilung für Biopathologie am Cancer Centre Léon Bérard
„Wir hatten großartige Erfahrungen mit Owkin erlebt ... Owkin hat einen Algorithmus entwickelt und die Ergebnisse haben unsere Erwartungen übertroffen. Owkin war in der Lage, Details aus den histologischen Präparaten zu identifizieren, die uns zwar bekannt waren, aber bisher nicht als wichtige prognostische Indikatoren oder Biomarker für Behandlungsentscheidungen erkannt hatten.“
Professor William R. Jarnigan , MD
Leiter des Hepatopancreatobiliary Service at Memorial Sloan Kettering Cancer Center
„Ich freue mich, Teil dieser innovativen Forschungszusammenarbeit zu sein, die einen positiven Einfluss darauf haben wird, wie Kliniker Patienten mit intrahepatischem Cholangiokarzinom und möglicherweise auch anderen Krebsarten beurteilen und behandeln."
Professor Fabrice André, MD, PhD
Forschungsleiter bei Gustave Roussy
„Owkin ist führend beim Einsatz von KI für die Vorhersage und Entdeckung von Medikamenten bei Krebs. Owkin hat Methoden entwickelt, um prädiktive Signale zu erkennen, die das menschliche Gehirn nicht erkennen kann. Wir haben innerhalb eines Jahres ein pathologisches Instrument zur Vorhersage von Rückfällen bei Brustkrebspatienten im Frühstadium entwickelt, während andere Teams jahrelang damit gekämpft haben.“
Professor Francoise Galateau Salle, MD, PhD
Leiter von MESOPATH, Abteilung für Biopathologie am Cancer Centre Léon Bérard
„Wir hatten großartige Erfahrungen mit Owkin erlebt ... Owkin hat einen Algorithmus entwickelt und die Ergebnisse haben unsere Erwartungen übertroffen. Owkin war in der Lage, Details aus den histologischen Präparaten zu identifizieren, die uns zwar bekannt waren, aber bisher nicht als wichtige prognostische Indikatoren oder Biomarker für Behandlungsentscheidungen erkannt hatten.“
Professor William R. Jarnigan , MD
Leiter des Hepatopancreatobiliary Service at Memorial Sloan Kettering Cancer Center
„Ich freue mich, Teil dieser innovativen Forschungszusammenarbeit zu sein, die einen positiven Einfluss darauf haben wird, wie Kliniker Patienten mit intrahepatischem Cholangiokarzinom und möglicherweise auch anderen Krebsarten beurteilen und behandeln."
Einige unserer Partner
Neueste Publikationen
Metriken
168 & 40
168 KOLs; 40 haben einen h-Index über 44
14
14 führende akademische Forschungszentren, die mit föderierter Technologie ausgestattet sind
8
8 Konsortien aus führenden Biopharma- und Forschungspartnern (4 IMI-Projekte und 2 H2020-Förderung)
45
Zugang zu 45 Live-Datensätzen, die ständig erweitert werden
Unser Datennetzwerk
