印第安纳大学医学院的研究团队正在开展一项多地点的研究，采用一种保护隐私的人工智能技术——联邦学习，旨在提升乳腺癌风险预测的准确性，并减少癌症预防护理中的健康不平等现象。该研究获得了美国国立卫生研究院国家癌症研究所提供的370万美元、为期五年的资助。

　　这项合作研究的科学家们将利用联邦学习技术，分析来自各参与机构的数据，以期在不同患者群体中获取知识的同时，预测乳腺癌的风险。项目的主要研究者、印第安纳大学医学院病理学教授Spyridon Bakas表示：“我们将采用一种人工智能方法，为女性健康的未来做出贡献。联邦学习为多地点合作提供了新的范式，它允许我们在不共享患者数据的情况下，访问大量多样化的数据，这对开发稳健的模型至关重要。这笔资金将帮助我们利用联邦学习技术，开发出改进的乳腺癌风险评估模型。”

　　联邦学习是一种在分散的数据环境中协同训练复杂人工智能模型的机制，这意味着数据始终保留在各自的机构内，从而增强了数据隐私性。Bakas指出，这种方式能够建立更多的信任，减轻患者对隐私的担忧。

　　参与该研究的其他机构包括梅奥诊所、圣路易斯华盛顿大学、宾夕法尼亚大学和哥伦比亚大学。每个参与单位将提供接受3D数字乳房断层合成检查的患者的去识别数据，这种方法在乳腺癌筛查中比传统的2D数字乳房X光检查更为普遍。研究团队将利用联邦学习分析所有参与站点的数据，并创建一个开源的人工智能模型，旨在从不同患者群体中获取知识的同时，预测乳腺癌的风险。

　　乳腺癌是女性癌症死亡的第二大原因。该项目将使用来自接受乳腺癌筛查的患者的数据，其中一些患者在随访中可能会发展为癌症，而另一些则不会。

　　在未来五年内，该项目的目标包括：

• 建立基于多地点、不同种族女性乳腺筛查数据的乳腺癌风险评估模型。
• 通过引入地理位置多样的站点来改进这些初步模型。
• 生成符合每个站点当地患者特征的真实合成成像数据，以用于数据增强和隐私保护。
• 创建一种自动化机制，以定量和可解释的方式确定医疗保健人工智能模型中的最佳隐私保护措施。

　　Bakas表示：“我们的模型旨在预测女性何时以及是否会更早地患上乳腺癌，并评估她们未来的风险。我们更关注预测而非诊断，更强调主动而非被动。”

　　研究人员还致力于开发能够解释健康差异和健康不平等的人工智能模型，因为许多患者无法获得全面的医疗服务。Bakas提到：“这些模型通常无法在社区医院环境中进行训练，因为缺乏资源。通过联邦学习，我们能够从不同人群中获取知识，并将人工智能模型应用于其他社区环境。”

　　“我们研究的总体目标是建立一个易于使用、可转化且值得信赖的联邦学习框架，以降低服务不足人群参与大规模联邦学习研究的障碍，并使他们能够从这一技术进步中受益，从而为解决健康差距铺平道路。”

　　其他参与研究的人员包括哥伦比亚大学的Despina Kontos、梅奥诊所的Celine Vachon、华盛顿大学的Aimilia Gastounioti、宾夕法尼亚大学的Anne Marie McCarthy以及英特尔公司的Prashant Shah。

　　“科学界开发的开源软件工具正在推动医疗保健领域的数字化转型。这些工具不仅通过简化人工智能的使用而实现了民主化，还鼓励医疗研究人员探索可重复性和稳健性如何积极影响患者结果。通过采用开源工具并公开我们的训练模型，我们正在培养一种协作和透明的文化，这对创新至关重要，同时共同建设更美好的未来。”——Sarthak Pati，印第安纳大学软件架构师。