10 Minutės
Samsung ir Galeon susivienija siekdami pažangos sveikatos dirbtinio intelekto
Samsung paskelbė apie partnerystę su decentralizuoto mokslo (DeSci) protokolu Galeon, siekdama integruoti dirbtinį intelektą į savo ultragarso vaizdinimo įrenginius ir tiekti anonimizuotus mokymui reikalingus duomenis medicinos AI sprendimams. Bendradarbiavimas sujungia Samsung ultragarso aparatūrą su Galeon elektroninių sveikatos įrašų (EHR) platforma, kuri orientuota į klinikinio AI vystymą, išlaikant pacientų privatumą ir duomenų suverenumą. Tokia partnerystė rodo augantį susidomėjimą sprendimais, kurie siekia subalansuoti inovacijas medicinoje su griežtais duomenų apsaugos reikalavimais.
Struktūriškai projektas skatina hibridinį požiūrį: jautri informacija lieka institucijų kontrolėje, o audituojami procesai bei valdymo veiksmai — registruojami on-chain. Tai atveria naujus kelio žemėlapius klinikiniams AI sprendimams, kurie turi būti tiek moksliškai patikimi, tiek teisėtai pagrįsti bei skaidrūs regulatoriams ir pacientams. Partnerystė taip pat pabrėžia reikšmę tarpsektoriniam bendradarbiavimui tarp medicinos įmonių, technologijų tiekėjų ir decentralizuoto mokslo iniciatyvų.
Kaip veikia integracija
Galeon EHR jau veikia 18 tarpusavyje sujungtų ligoninių tinkle, įskaitant kelias Prancūzijos institucijas: Ruano universitetinę ligoninę (Rouen University Hospital), Caen universitetinę ligoninę (Caen University Hospital), Tulono ligoninę (Toulon Hospital) ir Sud Francilien ligoninę (Sud Francilien Hospital). Vietoj to, kad jautrius medicininius duomenis būtų saugoma grandinėje (onchain), iniciatyva vykdo AI algoritmus onchain siekiant visiško atsekamumo, o ligoninių duomenys išlieka anonimizuoti ir kontroliuojami kiekvienos institucijos. Šis hibridinis modelis subalansuoja blokų grandinės audito galimybes su sveikatos priežiūros privatumo ir reglamentų atitiktimi, pvz., ES Bendrąja duomenų apsaugos reglamenta (GDPR).
Technine prasme integracija apima kelių komponentų sinergiją: ultragarso įrenginiai perduoda metažymenis ir anonimizuotas nuotraukas į vietinius serverius arba per saugias tarpinės grandys (gateway), kur vykdomi preliminarūs duomenų šalinimo ir anonimizavimo procesai. Šios procedūros paprastai atitinka DICOM standartą vaizdų formate ir HL7 FHIR standartą struktūrizuotiems EHR metaduomenims, užtikrinant tarpusavio keitimąsi tarp įrenginių ir ligoninės informacinės sistemos.
Tada modeliai gali būti mokomi lokaliai arba per federuotą mokymą (federated learning), kuriame modelio svoriai arba gradientai centralizuojami arba koordinuojami per Galeon EHR valdymo sluoksnį. Federuotam mokymuisi pritaikomi tokie algoritmai kaip Federated Averaging (FedAvg), o papildomos privatumo priemonės — diferencinė privatumas, homomorfinis šifravimas ar saugios vykdymo zonos (TEE) — sumažina riziką, kad atvirkštiniu būdu bus atkuriami pacientų duomenys iš modelių parametrų.
On-chain komponentas registruoja modelio versijas, mokymosi istoriją ir valdymo sprendimus (governance proposals), sudarydamas nešališką audito įrašą, kuris yra naudingas tiek reguliatoriams, tiek tyrėjams. Tokia on-chain telemetrija leidžia tikrinti, kada ir kaip buvo atnaujintas modelis, kokie duomenų šaltiniai dalyvavo ir kurie komitetai arba DAO balsavo už pakeitimus. Tai pagerina atsiskaitymą bei atsakomybę ir mažina riziką dėl nesankcionuotų modelio pakeitimų.
Galeon komanda
Privatumą pirmaujantis AI mokymas ultragarso įrenginiams
Pagal sutartį medicinos paslaugų teikėjai galės naudotis bendrais AI modeliais, kurie yra apmokyti naudojant decentralizuotus duomenų rinkinius, necentralizuojant pacientų lygio informacijos. Kiekviena ligoninė prisideda anonimizuotomis ultragarso nuotraukomis ir EHR metaduomenimis, kurie naudojami modelių mokymui lokaliai arba per federuotus procesus, leidžiančius nuolat tobulinti modelius tarp dalyvaujančių centrų. Tokia praktika sumažina riziką, susijusią su duomenų nutekėjimu, ir palaiko duomenų suverenumą vietinėse institucijose.
Federuoto mokymosi procedūros dažnai derinamos su papildomais saugumo mechanizmais, tokiais kaip diferencinė privatumo apdorojimo technikos (differential privacy), homomorfinis šifravimas ar saugios vykdymo zonos (secure enclaves), kad būtų užtikrintas svorių apdorojimo saugumas. Galeon on-chain valdymo sluoksnis suteikia versijų valdymą (model versioning), patikimumo žetonus (audit tokens) ir skaidrumą, leidžiantį tikrinti modelio kilmę ir sprendimų pakeitimus, taip sprendžiant problemas, susijusias su modelių pasislinkimu (model drift) arba neveiksmingumu skirtingose klinikinėse populiacijose.
Be techninių priemonių, svarbus ir duomenų etiketas bei sutikimo valdymas: projektas naudoja sudėtingas sutikimo vadybos priemones (dynamic consent), leidžiančias pacientams valdyti, kokiu mastu jų anonimizuoti duomenys gali būti naudojami mokslui ar komerciniams modeliams. Tokios mechanikos didina pasitikėjimą ir atitiktį teisiniams reikalavimams, pvz., pacientų teisė reikalauti duomenų pašalinimo arba riboti tam tikrus panaudojimo atvejus.
Taip pat svarbu kalbėti apie duomenų kokybės užtikrinimą: ultragarso nuotraukų anotacija, klinikinė etiketė ir metaduomenų standartizacija yra būtini, kad modeliai neatrastų koreliacijų su nereikšmingais artefaktais ar įrenginių ypatumais. Leidžiami praktiniai sprendimai apima centralizuotą anotacijų protokolą, kontrolinius duomenų rinkinius ir modelio korteles (model cards), kur aiškiai pateikiami modelio ribotumai, apribojimai ir klinikiniai metrikai (PV, jautrumas, specifiškumas, AUC).
Realūs AI įrankiai jau kuriami
Galeon generalinis direktorius Loïc Brotons žiniasklaidai nurodė, kad įmonė jau sukūrė praktinius sveikatos priežiūros AI įrankius: automatizuotą medicininių paslaugų apmokėjimo (billing) AI, konsultacijos santraukų generavimo įrankį ir šiuo metu kuriamą kalbą į tekstą pritaikytą klinikiniams darbo srautams (speech-to-text). Šie sprendimai demonstruoja, kaip ultragarso vaizdų analizė, EHR integracija ir blokų grandinės atsekamumas kartu gali pagreitinti klinikinio AI diegimą, tuo pačiu išlaikant reglamentinius ir privatumo reikalavimus.
Praktiniai įrankiai yra orientuoti tiek į medicininę diagnostiką, tiek į administracinę ir darbo našumą gerinančią funkciją. Pavyzdžiui, automatizuota atsiskaitymo sistema gali atpažinti procedūras, generuoti sąskaitas ir identifikuoti neatitikimus tarp EHR įrašų ir mokėjimo reikalavimų. Konsultacijos santraukos generavimo modeliai sumažina gydytojų dokumentavimo laiką, o specializuota speech-to-text sistema, apmokyta klinikine kalba bei tiksliniais akronimais, gali integruotis į paciento įrašus, palengvindama realaus laiko dokumentaciją.
Technologiniu požiūriu tokie įrankiai remiasi kompiuterinės vizijos metodais, konvoliuciniais tinklais (CNN) ultragarso vaizdų analizėje ir transformerių architektūromis natūralaus kalbos apdorojime (NLP). Federuotas mokymasis ir on-chain valdymas leidžia reguliariai atnaujinti ir verifikuoti modelius be tiesioginio jautrių pacientų vaizdų ar IP saugyklos centralizavimo.
Be to, realių įrankių diegimo etape būtina atlikti retrospektyvius ir prospektyvius klinikinius vertinimus, įtraukiant randomizuotus tyrimus arba pragmatiškus stebėjimo tyrimus, siekiant įvertinti ne tik modelio tikslumą, bet ir poveikį klinikiniams rezultatams, darbo efektyvumui bei ekonomikai. Po pradinės fazės sekantis post-market stebėjimas (post-market surveillance) užtikrina ilgalaikį modelio saugumą ir našumo kokybės kontrolę.
DeSci dinamika ir investuotojų susidomėjimas
Decentralizuotas mokslas (DeSci) greitai tampa vienu aktyviausių blokų grandinės inovacijų segmentų, ypač sveikatos priežiūros srityje. Projektai, kaip VitaDAO, pritraukia dėmesį finansuojant ilgaamžiškumo ir biomedicinos tyrimus, tuo tarpu DeSci valdymo organizacijos (DAO) siekia ambicingų laboratorinių rezultatų ir atveria naujus finansavimo bei duomenų dalijimosi modelius. Tokios iniciatyvos skatina rizikos kapitalo susidomėjimą ir naujus partnerystės modelius tarp akademinių institucijų, privačių tyrimų laboratorijų ir technologijų įmonių.
DeSci judėjimo esmė yra permainyti tradicinius mokslinių tyrimų finansavimo ir išteklių skirstymo modelius, suteikiant daugiau skaidrumo, bendradarbiavimo ir ekonominių paskatų tyrėjams. Tai ypač svarbu, kai kalbame apie duomenų išteklius — daugelyje projektų duomenys tampa vertingu turtu, o jų prieinamumas ir kokybė tiesiogiai lemia AI modelių efektyvumą. DeSci taip pat skatina atvirus duomenų rinkinius, kolektyvinį intelektą ir greitesnį rezultatų patikrinimą per atvirus repozitorijus bei bendrus eksperimentų protokolus.
Svarbu pažymėti, kad DeSci iniciatyvos dažnai integruoja ekonomines paskatas — tokenizaciją, mokėjimus už duomenų prieigą arba dalomąsias pajamas tarp duomenų teikėjų, anotatorių ir modelių kūrėjų. Tokie modeliai gali skatinti duomenų kokybę ir platesnį dalyvavimą, tačiau kartu kelia reglamentavimo ir etikos klausimus dėl vertės pasidalijimo bei rizikos sąnaudų.
Neseniai vykęs finansavimas ir duomenų prioritetai
Šiais metais DeSci platforma Bio Protocol užbaigė 6,9 mln. JAV dolerių finansavimo rundą, kurio rėmėjai buvo Maelstrom Fund ir Animoca Brands, po ankstesnių investicijų iš Binance Labs. Tokie investiciniai judesiai rodo, kad tiek kriptovaliutų fondai, tiek tradiciniai VC fondai mato potencialą DeSci sprendimuose, ypač kai verta įtraukti klinikinius ir genominius duomenis tolimesniems AI tyrimams.
Duomenų įsigijimas ir prieiga lieka strateginiu prioritetu: keletas DeSci platformų aktyviai ieško genominių duomenų rinkinių — įskaitant ir archyvinius duomenis iš nutrauktų vartotojų paslaugų, tokių kaip 23andMe — tam, kad paspartintų tyrimus ir modelių mokymą. Tai kelia tiek galimybių, tiek etinių ir teisinių klausimų dėl sutikimo, duomenų savininkystės ir galimo piktnaudžiavimo. Todėl daugėja iniciatyvų, kurios siekia skaidrių sutikimo mechanizmų, duomenų licencijavimo modelių ir kontrolės, kaip duomenys gali būti naudojami mokslui ar komercijai.
Be to, investuotojai vertina ne tik duomenų prieigą, bet ir infrastruktūrą: saugūs duomenų mainai, skalabilios federuoto mokymosi platformos ir on-chain governance modeliai suteikia pridėtinę vertę, kurią galima paversti komercinėmis paslaugomis ar licencijomis ligoninėms bei tyrimų centrams.
Pasekmės blokų grandinei, sveikatos AI ir EHR sistemoms
Samsung–Galeon bendradarbiavimas pabrėžia augančią blokų grandinės, decentralizuoto mokslo ir sveikatos AI konvergenciją. Sujungus Samsung vaizdavimo aparatūrą su Galeon EHR ir DeSci valdymu, partnerystė sukuria modelį privatumą saugančiam AI mokymui, kuris leidžia institucijoms išlaikyti kontrolę savo pacientų duomenimis, tuo pačiu suteikiant galimybę keistis modelių atnaujinimais mastu ir su audito įrašu.
Toks modelis gali turėti kelias praktines naudas: didesnį pasitikėjimą tarp gydytojų ir pacientų dėl duomenų tvarkymo skaidrumo, spartesnį klinikinių sprendimų priėmimą dėl geresnių ir patikimesnių modelių, bei naujus komercinius produktus, paremtais decentralizuotais duomenų mainais. Be to, integracija su EHR sistemomis, remiantis standartais kaip HL7 FHIR, gali palengvinti duomenų mainus tarp skirtingų ligoninių ir platformų, o DICOM metadata užtikrina medicininių vaizdų suderinamumą.
Tačiau yra ir iššūkių: techninis suderinamumas tarp ultragarso įrenginių modelių, duomenų standartizavimas, etiniai ir teisiniai klausimai dėl genominių ar asmeninių duomenų naudojimo, taip pat skalės ir našumo problemos, kai reikia apdoroti didelius vaizdų kiekius realiu laiku. Edge computing sprendimai gali sumažinti latenciją, leidžiant ultragarso įrenginiams vykdyti inferenciją lokaliai, o periodiškai sinchronizuoti modelio svorius su centrine platforma ar on-chain valdymo sluoksniu.
Klinikinė validacija — įrodymas, kad AI sprendimai tikrai pagerina pacientų rezultatą — išlieka būtinas žingsnis prieš platesnį diegimą ir reglamentinį pripažinimą (pvz., CE ženklinimas ES ar FDA patvirtinimai JAV). Be to, modeliui pritaikytas XAI (explainable AI) metodų rinkinys, pvz., saliency žemėlapiai, Grad-CAM arba modelio kortelės, gali padidinti gydytojų pasitikėjimą ir palengvinti reguliacinius vertinimus.
Investuotojams ir tyrėjams tokia partnerystė parodo praktišką kelią, kaip integruoti on-chain skaidrumą su realiais medicininiais darbo srautais: nuo saugių duomenų mainų, per federuotą mokymą, iki verifikuojamų modelių valdymo sprendimų. Tai gali sumažinti kliūtis tarp akademinių tyrimų rezultatų ir pramoninių sprendimų pritaikymo, palengvinti auditus ir pagerinti pasitikėjimą tarp pacientų ir medicinos institucijų.
Ateityje, kai sveikatos organizacijos ir DeSci iniciatyvos toliau tyrinės blokų grandinės ir AI sankirtas, tikėtina daugiau partnerystių, orientuotų į saugų duomenų dalijimąsi, federuotą mokymą ir verifikuojamą modeliavimo valdymą tarp ligoninių, tyrimų institutų ir privačių partnerių. Tokios iniciatyvos gali tapti kertinėmis naujos sveikatos priežiūros infrastruktūros dalimis, kur duomenų suverenumas, privatus bendradarbiavimas ir technologinis inovacijos eikvoja lygiai.
Galimi ateities plėtros kryptys apima platesnį tarptautinį bendradarbiavimą, kuriame teisės aktų skirtumai bus sprendžiami per lokalizuotas atitikties priemones, bei augantį dėmesį duomenų kokybei, anotacijoms ir pažangiems validacijos protokolams. Galiausiai, šis modelis gali paskatinti naujus tiekėjų ir paslaugų ekosistemų tinklus, kuriuose medicinos prietaisų gamintojai, EHR teikėjai ir DeSci bendruomenės bendrai kuria ir palaiko saugius bei veiksmingus klinikinius AI sprendimus.
Šaltinis: cointelegraph
Palikite komentarą