『智东西』医疗AI不再是空中楼阁，提前预测重大疾病！联邦学习打破数据壁垒智东西（公众号：zhidxcom）编|李水青

文章图片
智东西（公众号：zhidxcom）编|李水青
智东西4月20日消息，近日，腾讯天衍实验室与微众银行共同研究表明，将联邦学习与医疗深度融合对落地疾病预测领域有重大帮助。目前其已搭建基于联邦学习技术的大数据集中与挖掘平台，从落地案例来看，可将脑卒中预测准确率提升至80% 。
近几年，医疗行业正在经历一场数字化转型，这场基于大数据和AI技术的变革几乎改变了整个行业的方方面面，将“信息就是力量”这句箴言体现的淋漓尽致，人们对人工智能寄以厚望，希望它能真正深入临床一线，帮助医生和患者。
理想很丰满，但现实却很骨感，在这场大变革下，作为医疗AI成长道路不可或缺的“粮食” ，数据成了医疗AI落地的“拦路虎”——我国医疗健康数据领域长期存在的“信息孤岛”问题，不同地区甚至不同医院间的医疗数据没有互联，也没有统一的标准。与此同时，数据安全问题也存在着巨大挑战。
数据问题让医疗AI成了“空中楼阁” ，在这一难题下，腾讯天衍实验室联合微众银行联合研发了医疗联邦学习框架，成功地实现了在保护不同医院数据隐私下的疾病预测模型，破解医疗行业数据安全与隐私保护难题。这是联邦学习在医疗健康大数据领域应用的首个成功案例，为医疗大健康的各种潜在应用如分诊诊疗、慢病防控、疾病早筛、医保控费的落地等探索出了新的方向。
一、打破数据壁垒，保护数据隐私在重大疾病早期筛查和预测领域，如果要成功能建立大数据疾病预测模型，就需要将居民在不同医院的医疗信息与健康档案进行整合与建模。但由于信息系统不统一，医院管理机构对于数据隐私泄露的担忧，和相关数据保护法规的限制，相关机构之间形成了数据壁垒，很少有医院愿意进行数据的共享，这就导致了AI难以在疾病预测领域“施展拳脚” 。
在这个问题下，联邦学习成了一剂“良方” 。联邦学习是一种新兴的人工智能机器学习框架，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，能从技术上打破数据孤岛，实现AI协作。
该技术最早由谷歌在2016年提出，而后微众银行则在首席人工智能官杨强教授的带领下首次提出了“联邦迁移学习” ，并开源自研联邦学习框架FederatedAITechnologyEnabler（简称FATE），推动联邦学习技术在行业中的落地。此前联邦学习在金融、互联网、智慧零智等领域已经有多个成功应用案例，但在医疗领域，由于医疗知识的专业性，电子病历的复杂性对联邦学习的构建带来了种种困难。
近日，腾讯天衍实验室结合自身医疗机器学习与自然语言处理优势，与微众银行共同将联邦学习与医疗深度融合，有机整合医疗模型与机器学习。通过搭建基于联邦学习技术的大数据集中与挖掘平台，两者共同开发医疗联邦学习（MedicalFederatedLearning）技术。
这一创新技术让医疗行业的数据问题“药到病除” 。联邦学习可以绕过医疗机构之间的信息壁垒，不考虑将各自数据做合并，而是通过协议在其间传递加密之后的信息，该加密过程具有一定的隐私保护机制，保证加密后的信息不会产生数据泄露。各个医疗机构通过使用这些加密的信息更新模型参数，从而实现在不暴露原始数据的条件下使用全部患者数据的训练过程。
举例来说，假设医院A和B想联合训练一个脑卒中疾病预测模型，两个医院各自掌握科研病例数据，此外，医院B还拥有模型需要预测的标签数据如脑卒中发病标签。出于数据隐私保护和安全考虑，医院A和B无法直接进行数据交换。联邦学习系统则可以利用基于加密的患者样本对齐技术，在医院A和B不公开各自数据的前提下确认双方的共有患者，并且不暴露不互相重叠的患者，以便联合这些用户的特征进行建模，在确定共有用户群体后，就可以利用这些数据训练疾病预测模型。