Comment Aster DM Healthcare a utilisé l’apprentissage fédéré pour mieux sécuriser l’analyse par IA des données sensibles

Pour le secteur de la santé, les données cloisonnées apparaissent comme un goulot d’étranglement majeur dans la voie des cas d’utilisation innovants tels que la découverte de médicaments, les essais cliniques et les soins de santé prédictifs. An Aster DM Healthcare, un établissement de santé indien, a maintenant trouvé une solution à ce problème qui pourrait conduire à plusieurs solutions de pointe.

Un seul patient génère près de 80 Mo de données par an grâce à l’imagerie et aux dossiers médicaux électroniques. RBC Capital Market prévoit que le taux de croissance annuel des données pour les soins de santé atteindra 36 % d’ici 2025. .

Bien que les solutions basées sur l’IA dans des domaines tels que l’imagerie médicale aident à relever des défis urgents tels que les pénuries de personnel et le vieillissement de la population, l’accès à des silos de données pertinentes répartis dans divers hôpitaux, zones géographiques et autres systèmes de santé, tout en respectant les politiques réglementaires, est un énorme défi.

Stock

« Dans une configuration d’apprentissage distribué, les données de différents hôpitaux doivent être rassemblées pour créer un référentiel de données centralisé pour la formation de modèles, ce qui soulève de nombreuses préoccupations concernant la confidentialité des données. Les hôpitaux sont sceptiques quant à la participation à de telles initiatives, craignant de perdre le contrôle des données des patients, bien qu’ils y voient une immense valeur », déclare le Dr Harsha Rajaram, COO chez Aster Telehealth, India & GCC. Sa société mère Aster DM Healthcare est un conglomérat avec des hôpitaux, des cliniques, des pharmacies et des services de conseil en soins de santé dans son portefeuille.

Pour relever ces défis, Aster Innovation and Research Center, le hub d’innovation d’Aster DM Healthcare, a déployé sa Secure Federated Learning Platform (SFLP) qui permet d’accéder de manière sécurisée et rapide à des données de santé anonymisées et structurées pour la recherche et la collaboration.

L’apprentissage fédéré est une méthode de formation d’algorithmes d’IA avec des données stockées dans plusieurs sources décentralisées sans déplacer ces données. Le SFLP permet d’accéder à diverses sources de données sans compromettre la confidentialité des données, car les données restent à la source, tandis que la formation du modèle se produit à partir de plusieurs sources de données.

« La plate-forme marque un changement de paradigme en amenant le calcul aux données plutôt que d’amener les données au calcul », déclare le Dr Lalit Gupta, consultant en innovation scientifique en IA chez Aster Digital Health.

« La technologie fédérée nous a fourni une plate-forme grâce à laquelle nous pouvons libérer l’immense potentiel des données pour tirer de meilleures informations sur les défis cliniques, opérationnels et commerciaux et exploiter de nouvelles opportunités sans craindre de perdre le contrôle de nos données. Cela permettra aux scientifiques des données de plusieurs organisations d’effectuer une formation à l’IA sans partager de données brutes. En accédant à des ensembles de données plus importants, ils peuvent développer des modèles d’IA plus précis. Cela garantira également la conformité et la gouvernance des données », déclare le COO Rajaram.

Les éléments constitutifs du PMEDP

Avant de déployer la plate-forme, Aster a effectué une démonstration de capacité, ou preuve de concept, de la plate-forme en utilisant les données hospitalières des clusters Bengaluru et Vijayawada de l’hôpital Aster.

« La plate-forme comprenait une collaboration à deux nœuds avec des machines physiquement situées à Bangalore et Vijayawada. Le directeur/agrégateur était à Bangalore et les deux envoyés/collaborateurs étaient respectivement répartis entre Bengaluru et Vijayawada. La configuration du logiciel comprenait Ubuntu 20.04.02 avec la version de noyau 5.4.0-65 ​​générique, la bibliothèque OpenFL Python pour la collaboration, Bibliothèque Python PyTorch[GG1] pour développer des modèles d’apprentissage en profondeur et le GPU Nvidia Quadro RTX 6000 », déclare Gupta.

Stock

« L’équipe informatique d’Aster a aidé à installer et configurer les trois serveurs, activé les ports, installé le système d’exploitation et les pilotes nécessaires, et entretenu les serveurs. L’équipe informatique a également aidé à récupérer les données du PACS et du HIS, qui étaient nécessaires pour les expériences d’apprentissage fédéré », dit-il. PACS fait référence à un système d’archivage et de communication d’images, une technologie d’imagerie médicale utilisée pour stocker et transmettre des images et des rapports électroniques. Un SIH ou système d’information de santé est conçu pour gérer les données de santé.

Dans le cadre de la démonstration de capacité, plus de 125 000 images radiographiques thoraciques, dont 18 573 images provenant de plus de 30 000 données de patients uniques de Bengaluru, ont été utilisées pour former un modèle CheXNet AI, développé en Python, pour détecter des anomalies dans le rapport de radiographie. Les 18 537 images supplémentaires ont fourni une amélioration de la précision de 3 % en raison de données réelles qui n’étaient autrement pas disponibles pour la formation du modèle d’IA.

La plate-forme peut accueillir n’importe quel outil d’analyse et n’a aucune restriction sur la taille des données. « Nous déciderons de la taille des données en fonction du cas d’utilisation. Dans le cas de nos expériences de démonstration de capacités, nous avons utilisé une base de données d’images radiographiques thoraciques d’environ 30 Go », explique le COO Rajaram.

Il a fallu environ huit mois à Aster, dont quatre mois de démonstration de capacité, pour déployer le système. La plateforme a été mise en ligne en juin 2022. « Nous en sommes à nos débuts avec du matériel et des logiciels déployés dans seulement deux hôpitaux actuellement. Nous avons l’intention d’augmenter ces déploiements dans plusieurs hôpitaux et nous attendons avec impatience que d’autres fournisseurs se joignent à eux pour tirer parti de l’écosystème », déclare Rajaram.

Répondre aux nouveaux défis de la sécurité des données

Bien que l’apprentissage fédéré en tant que méthodologie soit une approche bien reconnue pour relever les défis de la confidentialité des données, il entraîne également des risques de sécurité supplémentaires car les actifs du modèle de données/IA sont plus exposés à un piratage éventuel. Par conséquent, il est essentiel de fournir des capacités de sécurité pour accompagner la confidentialité.

Un ensemble de codes d’instructions liés à la sécurité est intégré dans les unités centrales de traitement des serveurs, qui fournissent le cryptage de mémoire matériel requis qui isole le code d’application spécifique et les données en mémoire pour la sécurité des données. « La plateforme combine un apprentissage fédéré avec des garanties de sécurité rendues possibles par son matériel. Cela permet de protéger les données et le modèle d’IA dans le stockage, lorsqu’ils sont transmis sur le réseau et pendant l’exécution des tâches de formation d’apprentissage fédéré. Les fonctionnalités de sécurité de la plate-forme offrent des capacités de confidentialité, d’intégrité et d’attestation qui empêchent le vol ou la rétro-ingénierie de la distribution des données », déclare Rajaram.

« L’annotation était déjà dans notre système PACS. Nous avons utilisé son API pour l’extraction de données. Bien que l’anonymisation n’ait pas été nécessaire puisqu’elle se trouvait au sein de notre réseau, pour le pilote, nous avons anonymisé les données du back-end », dit-il.