Selección de Pacientes con COVID-19: 20 Hospitales en 20 Días Crean un Modelo de Inteligencia Artificial que Predice las Necesidades de Oxígeno

El federated learning de NVIDIA Clara predice los requisitos sin compartir datos y crea un modelo de IA más generalizable independientemente de la ubicación geográfica, la población de pacientes o el tamaño de los datos.
por Mona Flores

Los investigadores de NVIDIA y del Hospital General Brigham de Massachusetts han desarrollado un modelo de inteligencia artificial que determina si una persona que se presenta en la sala de emergencias con síntomas de COVID-19 necesitará horas de oxígeno suplementario o incluso días después de un examen inicial.

El modelo original, llamado CORISK, fue desarrollado por el científico Dr. Quanzheng Li en Mass General Brigham. Combina imágenes médicas y registros de salud para ayudar a los médicos a administrar de manera más efectiva las hospitalizaciones en un momento en que muchos países pueden comenzar a ver una segunda ola de pacientes con COVID-19.

Workflow de IA de predicción de oxígeno

Para desarrollar un modelo de IA en el que los médicos confíen y que se generalice a tantos hospitales como sea posible, NVIDIA y Mass General Brigham se embarcaron en una iniciativa llamada EXAM (EMR CXR AI Model), la iniciativa de federated learning más grande y diversa con 20 hospitales de todo el mundo.

En solo dos semanas, la colaboración global logró un modelo con un área de .94 bajo la curva (con un objetivo de AUC de 1.0), lo que resultó en una excelente predicción del nivel de oxígeno requerido por los pacientes que ingresan. El modelo de federated learning se lanzará como parte de NVIDIA Clara en NGC en las próximas semanas.

Mirando Dentro de la Iniciativa «EXAM»

Con el Framework de Federated Learning de NVIDIA Clara, los investigadores de hospitales individuales pudieron usar una radiografía de tórax, los signos vitales del paciente y los valores de laboratorio para entrenar un modelo local y compartir solo un subconjunto de pesos del modelo con el modelo global en una técnica que preserva la privacidad llamado federated learning.

El objetivo final de este modelo es predecir la probabilidad de que una persona que se presente en la sala de emergencias necesite oxígeno suplementario, lo que puede ayudar a los médicos a determinar el nivel adecuado de atención para los pacientes, incluida la ubicación en la UCI.

El Dr. Ittai Dayan, que dirige el desarrollo y la implementación de la IA en Mass General Brigham, codirigió la iniciativa EXAM con NVIDIA y facilitó el uso de CORISK como punto de partida para la capacitación de federated learning. Las mejoras se lograron entrenando el modelo en datos distribuidos de un conjunto de datos multinacional y diverso de pacientes en América del Norte y del Sur, Canadá, Europa y Asia.

Además de Mass Gen Brigham y sus hospitales afiliados, otros participantes incluyeron: Children’s National Hospital en Washington, D.C .; Centro de Investigación Biomédica de Cambridge NIHR; El Hospital Central de las Fuerzas de Autodefensa en Tokio; MeDA Lab y MAHC de la Universidad Nacional de Taiwán y la Administración Nacional de Seguros de Salud de Taiwán; Hospital General Tri-Service en Taiwán; Hospital Universitario Nacional Kyungpook en Corea del Sur; Facultad de Medicina, Universidad de Chulalongkorn en Tailandia; Diagnóstico da América SA en Brasil; Universidad de California, San Francisco; VA San Diego; Universidad de Toronto; Institutos Nacionales de Salud en Bethesda, Maryland; Facultad de Medicina y Salud Pública de la Universidad de Wisconsin-Madison; El Centro Oncológico Memorial Sloan Kettering de Nueva York; y Mount Sinai Health System en Nueva York.

Cada uno de estos hospitales utilizó NVIDIA Clara para capacitar a sus modelos locales y participar en EXAM.

En lugar de tener que agrupar las radiografías de tórax del paciente y otra información confidencial en una única ubicación, cada institución utiliza un servidor interno seguro para sus datos. Un servidor separado, alojado en AWS, contiene la red neuronal profunda global, y cada hospital participante obtiene una copia del modelo para entrenar en su propio conjunto de datos.

Colaboración a Escala Global

También se están llevando a cabo proyectos de federated learning a gran escala, destinados a mejorar el descubrimiento de fármacos y llevar los beneficios de la IA al punto de atención.

Owkin se está asociando con NVIDIA, King’s College London y más de una docena de otras organizaciones en MELLODDY, un consorcio de descubrimiento de fármacos con sede en el Reino Unido, para demostrar cómo las técnicas de federated learning podrían brindar a los socios farmacéuticos lo mejor de ambos mundos: la capacidad de aprovechar el conjunto de datos colaborativo de compuestos de fármacos más grande del mundo para el entrenamiento de IA sin sacrificar la privacidad de los datos.

El director ejecutivo de NVIDIA, Jensen Huang, describió cómo la IA puede acelerar el descubrimiento de fármacos en una parte de su discurso principal de GTC a continuación.

King’s College London espera que su trabajo con el federated learning, como parte de su proyecto London Medical Imaging and Artificial Intelligence Center for Value-Based Healthcare, pueda conducir a avances en la clasificación de accidentes cerebrovasculares y deficiencias neurológicas, determinar las causas subyacentes de los cánceres y recomendar el mejor tratamiento para los pacientes.

Obtenga más información sobre otro modelo de inteligencia artificial para COVID-19 utilizando un conjunto de datos multinacional en este documento, y sobre la ciencia detrás del federated learning en este documento. Y mire a Huang de NVIDIA recapitular todas las noticias en GTC en el video a continuación.