Сохранение приватности при обучении медицинского ИИ для детей без передачи данных

В области радиологии модели искусственного интеллекта имеют потенциал улучшить анализ изображений, ускорить диагностику и выявить ошибки, которые могли бы быть пропущены. Однако подавляющее большинство этих моделей обучены на данных взрослых и плохо переносятся на младенцев и детей, что затрудняет внедрение этих достижений в неонатальной и педиатрической помощи.

"Поскольку получить данные детей намного сложнее, эта трансформирующая технология непропорционально развивается для помощи взрослым", - сказал Вишванатха Рао, член лаборатории биомедицинской информатики Пранава Раджпуркара в Медицинской школе Гарварда. "Дети остаются позади".

Велика часть причины этого разрыва заключается в том, что медицинские записи новорожденных и детей подлежат строгим нормам конфиденциальности и обычно остаются в учреждении, где ребенок является пациентом, что делает данные менее доступными для обучения надежных моделей ИИ. По словам Рао и его коллег, дети составляют менее 1% общедоступных наборов медицинских изображений.

Рао руководил и является соавтором нового исследования, опубликованного в Nature Biomedical Engineering, которое показывает, что модели, обученные на рентгеновских снимках взрослых, могут быть адаптированы для младенцев с использованием данных из нескольких больниц без необходимости передачи конфиденциальной информации за пределы каждого учреждения. Модель путешествует, но данные остаются внутри.

Команда считает, что ее подход, доказывающий принцип, может быть распространен на адаптацию других моделей ИИ, обученных на взрослых, для использования в педиатрии, устраняя критические пробелы в развертывании педиатрического медицинского ИИ.

"Наша цель - разработать методы, чтобы медицинские модели ИИ работали для всех, включая уязвимые группы населения, где данные не могут легко обмениваться", - сказал старший автор Раджпуркар, доцент биомедицинской информатики в Институте Блаватника HMS. "Теперь мы разработали метод, который позволял бы каждому учреждению хранить свои данные в своих стенах".

Исследователи начали с модели, обученной на данных взрослых для оценки правильности размещения дыхательных трубок. Дыхательные трубки или эндотрахеальные трубки имеют решающее значение для лечения респираторных проблем, и нет места для ошибки, особенно у новорожденных.

Исследования показали, что модели ИИ могут быстро выявить потенциальные проблемы и сократить время, необходимое рентгенологам для проверки и коррекции размещения трубки. Несколько инструментов ИИ уже получили одобрение FDA для этой задачи у взрослых, но ни один из них не одобрен для младенцев.

Раджпуркар и его коллеги собрали 2965 рентгеновских снимков грудной клетки из 30 отделений интенсивной терапии новорожденных в 20 странах и территориях. Для имитации сценария, в котором данные никогда не покидают больницу, исследователи последовательно обучали модель на данных каждого учреждения.

Несмотря на различия в качестве и характеристиках изображений, новая модель превзошла взрослые модели, обученные на педиатрических данных из одной больницы, в 29 из 30 сайтов, даже при тестировании на изображениях этой больницы, которые новая модель никогда не видела.

Полностью обученная модель смогла определить местоположение кончика эндотрахеальной трубки - используется для оценки, является ли трубка слишком мелкой или слишком глубокой - со средней ошибкой 0,67 см. Существующие модели, адаптированные к детям с данными из одного учреждения, имели среднюю ошибку 1,29 см, а взрослые модели ошибались в среднем на 4,30 см.

"Мы протестировали модель на больнице, которую она никогда не видела, и она работала лучше, чем модель, обученная на снимках этой конкретной больницы - это весьма мощный результат", - сказал Рао, который является студентом M.D.-Ph.D. в Пенсильванском университете. "И по сравнению с исходной взрослой моделью, это огромный скачок вперед".

Только 17% авторизованных FDA устройств медицинского ИИ помечены для использования у детей. Хотя эта конкретная модель была обучена на размещении эндотрахеальных трубок, подход может быть обобщен для адаптации других взрослых моделей для использования в педиатрии, сказали исследователи.

"Это общая структура, которая показывает дешевый подход, сохраняющий приватность, чтобы воспользоваться преимуществами существующей информации для взрослых и заставить ее работать на детях", - сказал Рао. "Это может открыть совершенно новое поколение моделей ИИ, которые работают для детей, адаптированных через эту широкую методологию".

Метод не ограничивается педиатрией. Эту же структуру потенциально можно применить к любой группе пациентов, которая недостаточно представлена в данных обучения ИИ.

"Многое из того, что означает исследования - это показать, что что-то возможно", - сказал Раджпуркар. "Мы показали, что существует система, благодаря которой вы можете настроить эти модели без передачи конфиденциальных данных из больницы".