Die Zukunft der Zusammenarbeit beginnt hier.

Föderiertes Lernen

Föderiertes Lernen ist ein neues dezentralisiertes Verfahren im Bereich des maschinellen Lernens, um Modelle maschinellen Lernens mit mehreren Datenlieferanten zu trainieren. Anstatt die Daten auf einem einzigen Server zu sammeln, bleiben die Daten auf den Servern verschlüsselt, da die Algorithmen und nur die Vorhersagemodelle zwischen den Servern ausgetauscht werden. Ziel dieses Ansatzes ist es, dass jeder Teilnehmer von einem größeren Datenpool als dem eigenen profitiert, was zu einer höheren Leistung beim maschinellen Lernen führt, während gleichzeitig das Eigentum an den Daten und die Privatsphäre gewahrt bleiben.

arrow-desktoparrow-mobile

Skalierbare Datenerschließung

Die Fähigkeit, Modelle des maschinellen Lernens in großem Umfang in mehreren medizinischen Einrichtungen zu trainieren, ohne Daten zusammenzuführen, ist eine Technologie von entscheidender Bedeutung, um das Problem des Patientenschutzes und der Datensicherheit zu lösen. Eine erfolgreiche Umsetzung des föderierten Lernens könnte ein erhebliches Potenzial für die Präzisionsmedizin im großen Maßstab bieten und dazu beitragen, die richtige Behandlung für den richtigen Patienten zur richtigen Zeit zu finden.

Die Lösung des größten Problems in der medizinischen Forschung

Mobile tip arrow
arrow-desktop

Wie löst das föderierte Lernen die wichtigsten Herausforderungen des maschinellen Lernens im Gesundheitswesen?

Maschinelles Lernen hat das Potenzial, alle Branchen zu revolutionieren, auch das Gesundheitswesen. Dies ist möglich, indem die medizinische Forschung durch die Fähigkeit, medizinische Erkenntnisse zu gewinnen beschleunigt wird (von der Identifizierung von Krebs-Biomarkern bis hin zum Patienten-Screening und der genetischen Vorhersage durch Bildgebung).  Diese Anwendungsmöglichkeiten stärken nicht nur die Fähigkeit der Forscher, Etwas zu entdecken, sondern tragen auch zur Bewältigung von Zeit- und Kostenproblemen in der gesamten Gesundheitsbranche bei.

Verfahren des maschinellen Lernens sind jedoch „datenhungrig“. Algorithmen benötigen Zugriff auf große und unterschiedliche Datensätze, um zu trainieren, um ihre Genauigkeit zu verbessern und Verzerrungen zu beseitigen.

Der heute übliche Ansatz, Daten aus mehreren Zentren zu zentralisieren, muss mit den Bedenken in Bezug auf die Privatsphäre der Patienten und den Datenschutz in Einklang gebracht werden. Software, die personenbezogene Daten verarbeitet, ist an rigorose Datenschutzgesetze gebunden. Systeme im Gesundheitswesen müssen personenbezogene Daten jederzeit schützen, und die derzeitigen Standardverfahren wie die Anonymisierung können sogar das Entfernen von Daten erfordern, die für medizinische Befunde entscheidend sein könnten.

Scientist working with model

Wie können Forscher auf die Datenmengen zugreifen, die benötigt werden, um die Gesundheitsversorgung mit KI in großem Umfang zu verändern und gleichzeitig die Privatsphäre und Vertraulichkeit der Patienten zu wahren?

Krankenhäuser, Forschungszentren und Biopharmaunternehmen müssen anfangen, miteinander zammenzuarbeiten.

Föderiertes Lernen bringt die KI der nächsten Generation im Gesundheitswesen voran

Die Technologie des föderierten Lernens bietet Datenwissenschaftlern und Forschern unendlich viele Möglichkeiten, an neuen Fragestellungen in der Forschung zu arbeiten und ihre Modelle zu verbessern, die mit vielen verschiedenen und repräsentativen Datensätzen trainiert wurden. Modelle, die genauere Vorhersagen treffen, senken auch die Gesundheitskosten für Leistungserbringer und Versicherer, die zunehmend unter Druck stehen, eine wertorientierte Versorgung mit besseren Ergebnissen anzubieten.

Wie funktioniert es?

Beim föderierten Lernen werden Modelle des maschinellen Lernens gemeinsam dezentral trainiert, ohne dass die zugrunde liegenden Daten ausgetauscht werden müssen. Die Algorithmen werden an verschiedene Datenzentren geschickt, wo das lokale Training erfolgt. Nach dem Training wird nur der Algorithmus an die zentrale Stelle übertragen, nicht aber die Daten, mit denen er trainiert wurde. An diesem Punkt werden die verbesserten Vorhersagen dann an jeden lokalen Datensatz geschickt, um dort zu verbleiben und zu verbessern.

Föderiertes Lernen bringt die KI der nächsten Generation im Gesundheitswesen voran

Die Technologie des föderierten Lernens bietet Datenwissenschaftlern und Forschern unendlich viele Möglichkeiten, an neuen Fragestellungen in der Forschung zu arbeiten und ihre Modelle zu verbessern, die mit vielen verschiedenen und repräsentativen Datensätzen trainiert wurden. Modelle, die genauere Vorhersagen treffen, senken auch die Gesundheitskosten für Leistungserbringer und Versicherer, die zunehmend unter Druck stehen, eine wertorientierte Versorgung mit besseren Ergebnissen anzubieten.

Wie funktioniert es?

Beim föderierten Lernen werden Modelle des maschinellen Lernens gemeinsam dezentral trainiert, ohne dass die zugrunde liegenden Daten ausgetauscht werden müssen. Die Algorithmen werden an verschiedene Datenzentren geschickt, wo das lokale Training erfolgt. Nach dem Training wird nur der Algorithmus an die zentrale Stelle übertragen, nicht aber die Daten, mit denen er trainiert wurde. An diesem Punkt werden die verbesserten Vorhersagen dann an jeden lokalen Datensatz geschickt, um dort zu verbleiben und zu verbessern.