Como funciona a privacidade arquitetônica

Fonte: Getty Images

31 de agosto de 2023 - A análise de dados é fundamental para o avanço da qualidade dos cuidados de saúde e dos avanços médicos, mas a proteção dos dados dos pacientes deve ser uma prioridade em todo o processo.

As tecnologias de melhoria da privacidade (PETs) são ferramentas críticas que as organizações de saúde podem aproveitar para a privacidade e segurança dos dados. PETs podem ser divididos em três categorias: algorítmico, arquitetônico e de aumento. Para apoiar a análise de saúde, recomenda-se uma combinação destes tipos.

Esta é a segunda parte de uma série que detalha cada categoria de PET e seus casos de uso na área da saúde, após um mergulho profundo nos PETs algorítmicos.

Aqui, a HealthITAnalytics explorará o segundo tipo: PETs arquitetônicos.

Ao contrário dos PETs algorítmicos, que alteram a forma como os dados são representados para proteger a privacidade, os PETs arquitetônicos estão preocupados com a estrutura dos dados ou ambientes computacionais. Esses PETs concentram-se na troca confidencial de informações sem compartilhar os dados subjacentes.

O aprendizado federado é uma abordagem frequentemente usada no desenvolvimento de modelos de inteligência artificial (IA) e aprendizado de máquina (ML).

A IBM conceitua o aprendizado federado como um método para ajudar a treinar esses modelos sem que ninguém tenha acesso aos dados que sustentam o próprio modelo:

“No aprendizado federado, várias pessoas compartilham remotamente seus dados para treinar colaborativamente um único modelo de aprendizado profundo, melhorando-o iterativamente, como uma apresentação ou relatório de equipe. Cada parte baixa o modelo de um datacenter na nuvem, geralmente um modelo básico pré-treinado. Eles o treinam com base em seus dados privados e, em seguida, resumem e criptografam a nova configuração do modelo. As atualizações do modelo são enviadas de volta para a nuvem, descriptografadas, calculadas e integradas ao modelo centralizado. Iteração após iteração, o treinamento colaborativo continua até que o modelo esteja totalmente treinado.”

A pesquisa indica que a maioria das aplicações de aprendizagem federadas para dados biomédicos concentra-se em radiologia e oncologia. Alguns casos de uso incluem imagens cerebrais, diagnóstico de COVID-19, detecção de tumores, previsão de biomarcadores de câncer e aplicações de Internet of Healthcare Things (IoHT). Os pesquisadores também propuseram uma estrutura de aprendizagem federada para melhorar a justiça nas ferramentas de triagem baseadas em IA.

Pesquisadores da Escola de Medicina Perelman da Universidade da Pensilvânia (Penn) realizaram a primeira aplicação de aprendizagem federada em dados de imagens médicas do mundo real em 2018.

O estudo que descreve estes esforços foi publicado em 2019, demonstrando que um modelo de aprendizagem profunda treinado através de aprendizagem federada poderia segmentar com precisão imagens de tumores cerebrais, alcançando 99 por cento do desempenho do mesmo modelo quando treinado através de métodos tradicionais de partilha de dados.

O trabalho ajudou a estabelecer a viabilidade da utilização da aprendizagem federada para enfrentar os desafios de aquisição, rotulagem e compartilhamento de dados normalmente associados à pesquisa de análise de imagem.

Naquele mesmo ano, pesquisadores do Centro de Computação e Análise de Imagens Biomédicas da Penn (CBICA) receberam uma doação federal de US$ 1,2 milhão por três anos para desenvolver uma estrutura de aprendizagem federada focada na segmentação de tumores.

A doação resultou na liderança de Penn de uma colaboração de 29 instituições em todo o mundo para promover esses esforços.

Os benefícios potenciais dos aplicativos de saúde baseados em aprendizagem federada incluem o aprimoramento da privacidade dos dados, alcançando um equilíbrio entre precisão e utilidade, permitindo treinamento de dados de saúde de baixo custo e reduzindo a fragmentação de dados. A abordagem também permite transmissões assíncronas, o que pode reforçar a colaboração e a comunicação multiinstitucional.

Como o aprendizado federado permite que os usuários movam o modelo para os dados, em vez de vice-versa, o treinamento do modelo local não exige que dados médicos de alta dimensão e com intenso armazenamento sejam duplicados por cada usuário. Os pesquisadores indicam que isso ajuda o modelo a escalar naturalmente com um conjunto de dados crescente, sem aumentar os requisitos de armazenamento de dados.