近日發表在《自然醫學》上的研究結果表明，聯邦學習能夠建立強大的AI模型并在不同的醫療機構中進行推廣。這一發現展示了AI在能源、金融服務、制造業等領域進一步應用的前景。

由新冠疫情引發的一項多家醫院聯合發表的倡議表明，任何行業的機構都可以通過合作開發預測性AI模型，在準確性和通用性方面樹立新的標桿。

這項合作于今日發表在領先的同行評議醫療雜志《自然醫學》上，展示了保護隱私的聯邦學習技術如何創建強大的AI模型，這些模型能夠在不同的企業機構中運行良好，即便是在受到保密數據或稀疏數據限制的行業。

該研究的第一作者Ittai Dayan博士表示：“在AI開發過程中，當在一家醫院的數據上創建一個算法時，這個算法一般在任何其他醫院都不能很好地工作。” Ittai Dayan博士在Mass General Brigham領導AI開發工作并在今年創立了醫療初創企業Rhino Health。

“但通過使用聯邦學習和來自各大洲的客觀多模態數據來開發模型，我們就能夠建立一個能夠幫助全球一線醫生的可推廣模型。” Ittai Dayan表示。

其他大規模聯邦學習項目已在醫療行業展開，包括一項關于乳房X光檢查評估的五人研究以及制藥巨頭拜耳公司一項用于脾臟的分割解剖的AI模型訓練工作。

除了醫療行業之外，聯邦學習還可以幫助能源公司分析地震和井筒數據，幫助金融公司改進欺詐檢測模型，幫助自動駕駛汽車研究人員開發泛化至不同國家駕駛行為的AI。

聯邦學習：舉眾人之力開發AI

開發AI模型的公司和研究機構通常受到其可用數據的限制。這可能意味著較小的企業機構或小眾研究領域缺乏足夠的數據來訓練準確的預測模型。即使是大型數據集，也可能因一家企業機構的病人或客戶人口特征、特定的數據記錄方法、甚至所使用的科學設備品牌而出現偏差。

為了收集足夠的訓練數據來建立一個強大的、可推廣的模型，大多數企業機構需要與同行匯集數據。但在許多情況下，數據隱私法規限制在共用的超級計算機或云服務器上直接分享數據，例如病人的醫療記錄或專有數據集等。

這就是聯邦學習的用武之地。

《自然醫學》雜志發布的這項新研究被稱為EXAM（EMR CXR AI模型）。該研究由Mass General Brigham和NVIDIA主導，將五大洲的20家醫院聚集在一起訓練神經網絡，該網絡用于預測出現新冠肺炎癥狀的病人在到達急診科等護理點的24和72小時后可能需要的氧氣補充水平。這是迄今為止最大、最多樣化的臨床聯邦學習研究之一。

多方合作助力AI工作

聯邦學習使EXAM的合作者能夠創建一個從每家參與醫院的胸部X光圖像、患者生命體征、人口特征數據和實驗室數值中學習的AI模型，并且無需訪問存儲在各家醫院私人服務器中的私人數據。

每家醫院都在本地的NVIDIA GPU上訓練同一個神經網絡的副本。在訓練過程中，每家醫院只需定期向中央服務器發送更新的模型權重，中央服務器中的全局版本神經網絡將它們匯總起來，形成一個新的全局模型。

這就像分享考試的答案，但并不透露任何用于得出答案的學習材料。

美國國家衛生研究院（NIH）介入腫瘤學中心聯合作者兼總監、臨床中心介入放射科主任Brad Wood博士表示：“EXAM研究的結果表明，能夠在不需要交換私人可識別數據的情況下在醫療領域訓練高性能和可推廣的AI模型，從而保護數據隱私。”

“這些發現不僅僅可以用于新冠肺炎相關預測的跨醫院模型 ，并展示了聯邦學習是該領域的一項有前途的解決方案。這為實現更有效和合規的大數據共享提供了框架，并且為挖掘AI深度學習在醫學領域的潛力提供支持。”

與所有參與機構共享的全局EXAM模型使AI模型的平均性能提高了16%。研究人員發現，與在任何單一站點訓練的模型相比，全局EXAM模型的通用性平均提高了38%。

從上圖中可以看到，對于擁有較小數據集的醫院來說，全局聯邦學習的性能提升尤其明顯。

泰國朱拉隆功大學和朱拉隆功國王紀念醫院AI醫學中心聯合主任Sira Sriswasdi表示：“聯邦學習使全球各地的研究人員能夠為一個共同的目標進行合作，開發出一個能夠從每個人的數據中學習和歸納的模型。“該醫院是合作開發EXAM的20所醫院之一。“通過NVIDIA GPU和NVIDIA Clara軟件，我們能夠很輕松地參與這項研究，產生有影響的結果。”

醫院和初創企業進一步開展EXAM研究

最初的EXAM研究匯集了北美、南美、歐洲和亞洲的合作者，只用了兩周訓練就實現了對病人氧氣需求的高質量預測 ，這一洞察可以幫助醫生確定病人需要的護理水平。

此后，該研究的合作者驗證了該AI模型能夠在建立和訓練該模型的地點之外的環境中進行推廣并表現良好。馬薩諸塞州的另外三家醫院（Cooley Dickinson醫院、Martha‘s Vineyard醫院和Nantucket Cottage醫院）測試了EXAM，發現該神經網絡在獨立的、從未見過的數據上也表現良好。

Cooley Dickinson醫院發現，該模型能夠預測病人到達急診室后24小時內的呼吸機需求，其敏感性為95%，特異性超過88%。英國劍橋的Addenbrookes醫院也發現了類似的結果。

開發原始模型的MGH&BWH臨床數據科學中心科學主任Quanzheng Li博士表示，Mass General Brigham計劃在不久的將來部署EXAM。該醫院網絡與Lahey醫院和醫療中心以及英國的NIHR劍橋生物醫學研究中心一起與英偉達初創加速成員Rhino Health合作，使用EXAM開展前瞻性研究。

最初的EXAM模型使用過去新冠肺炎患者的記錄進行回顧性訓練，因此研究人員已經掌握了關于患者最終需要的氧氣量的真實數據。這項前瞻性研究將AI模型應用于新入院患者的數據，朝著在現實環境中部署AI模型又邁出了一步。

劍橋大學醫學院放射科主任Fiona Gilbert表示：“聯邦學習具有革命性的力量，可將AI創新融入到臨床工作流程中。我們與EXAM的長期合作旨在使此類全球合作變得可重復和更有效，滿足臨床醫生應對復雜健康挑戰和未來流行病的需求。”

EXAM模型通過NVIDIA NGC軟件中心公開，供研究者使用。企業和研究機構在開始使用聯邦學習時，可以使用NVIDIA AI Enterprise軟件套件中的AI工具和框架。該套件經過優化，可在NVIDIA認證系統上運行。

責任編輯：haq