IA con Aprendizaje Swarm detecta la COVID-19 en datos almacenados de manera descentralizada

El aprendizaje swarm podría promover y acelerar significativamente la colaboración y el intercambio de información en la investigación, especialmente en el campo de la medicina.

La ciencia y la medicina se vuelven cada vez más digitales. El análisis de los volúmenes de información resultantes, conocido como “big data”, se considera clave para mejorar las opciones de tratamiento. Sin embargo, el intercambio de datos de investigación médica en diferentes ubicaciones o incluso entre países está sujeto a las regulaciones de protección de datos y soberanía de datos. En la práctica, estos requisitos generalmente solo se pueden implementar con un esfuerzo significativo. Además, existen barreras técnicas: por ejemplo, cuando se deben transferir grandes cantidades de datos digitalmente, las líneas de datos pueden alcanzar rápidamente sus límites de rendimiento. En vista de estas condiciones, muchos estudios médicos se limitan localmente y no pueden utilizar los datos que están disponibles en otros lugares.

A la luz de esto, una colaboración de investigación internacional probó un enfoque novedoso para evaluar los datos de investigación almacenados de manera descentralizada. La base para esto fue la tecnología todavía joven “aprendizaje swarm” desarrollada por HPE. Además de la empresa de TI, participaron en este estudio numerosas instituciones de investigación de Grecia, los Países Bajos y Alemania, incluidos los miembros de la “Iniciativa alemana COVID-19 OMICS” (DeCOI).

El aprendizaje swarm combina un tipo especial de intercambio de información a través de diferentes nodos de una red con métodos de la caja de herramientas del “aprendizaje automático”, una rama de la IA. El eje del aprendizaje automático son los algoritmos que se entrenan con datos para detectar patrones en ellos y que, en consecuencia, adquieren la capacidad de reconocer los patrones aprendidos también en otros datos. Con el aprendizaje swarm, todos los datos de la investigación permanecen en el sitio. Solo se comparten algoritmos y parámetros; en cierto sentido, lecciones aprendidas. A diferencia del “aprendizaje federado”, en el que los datos también permanecen localmente, no existe un centro de comando centralizado. Por tanto, los algoritmos de IA aprenden localmente, es decir, sobre la base de los datos disponibles en cada nodo de la red. Los resultados de aprendizaje de cada nodo se recopilan como parámetros a través de la cadena de bloques y el sistema los procesa de manera inteligente. El resultado, en otras palabras, los parámetros optimizados se transmiten a todas las partes. Este proceso se repite varias veces, mejorando gradualmente la capacidad de los algoritmos para reconocer patrones en cada nodo de la red.

Los investigadores ahora proporcionan una prueba práctica de este método a través del análisis de imágenes de rayos X de los pulmones y de los transcriptomas: estos últimos son datos sobre la actividad genética de las células. En el estudio actual, la atención se centró específicamente en las células inmunitarias que circulan en la sangre, en otras palabras, los glóbulos blancos. El equipo de investigación abordó un total de cuatro enfermedades infecciosas y no infecciosas: dos variantes de cáncer de sangre (leucemia mieloide aguda y leucemia linfoide aguda), así como tuberculosis y COVID-19. Los datos incluyeron un total de más de 16.000 transcriptomas. La red de aprendizaje swarm sobre la que se distribuían los datos consistía típicamente en al menos tres y hasta 32 nodos. Independientemente de los transcriptomas, los investigadores analizaron alrededor de 100.000 imágenes de rayos X de tórax. Se trataba de pacientes con acumulación de líquido en el pulmón u otros hallazgos patológicos, así como de individuos sin anomalías. Estos datos se distribuyeron en tres nodos diferentes.

El análisis tanto de los transcriptomas como de las imágenes de rayos X siguió el mismo principio: primero, los investigadores alimentaron sus algoritmos con subconjuntos del respectivo conjunto de datos. Esto incluyó información sobre cuáles de las muestras provenían de pacientes y cuáles de individuos sin hallazgos. El reconocimiento de patrones aprendido para “enfermo” o “sano” se utilizó luego para clasificar datos adicionales, en otras palabras, se utilizó para clasificar los datos en muestras con o sin enfermedad. La exactitud, es decir, la capacidad de los algoritmos para diferenciar entre individuos sanos y enfermos fue de alrededor del 90% en promedio para los transcriptomas (cada una de las cuatro enfermedades se evaluó por separado); en el caso de los datos de rayos X, osciló entre el 76% y el 86%. El estudio también encontró que el aprendizaje swarm arrojó resultados significativamente mejores que cuando los nodos de la red aprendieron por separado.

“La metodología funcionó mejor en la leucemia. En esta enfermedad, la firma de la actividad genética es particularmente llamativa y, por lo tanto, más fácil de detectar para la inteligencia artificial. Las enfermedades infecciosas son más variables. Sin embargo, la exactitud también fue muy alta para la tuberculosis y la COVID-19. Para los datos de rayos X, la tasa fue algo más baja, lo que se debe a la menor calidad de los datos o de la imagen”, dijo Joachim Schultze, Director de Medicina de Sistemas de la DZNE y profesor del Instituto de Ciencias Médicas y de la Vida (LIMES) de la Universidad. de Bonn. “Nuestro estudio demuestra que el Swarm Learning se puede aplicar con éxito a datos muy diferentes. En principio, esto se aplica a cualquier tipo de información para la que sea útil el reconocimiento de patrones mediante inteligencia artificial. Ya sean datos del genoma, imágenes de rayos X, datos de imágenes cerebrales u otros datos complejos”.

Enlace relacionado:
Centro Alemán de Enfermedades Neurodegenerativas
Universidad de Bonn
Hewlett Packard Enterprise