英特尔实验室（Intel Labs）和宾夕法尼亚大学佩雷尔曼医学院（Perelman School of Medicine at the University of Pennsylvania）近日发布了一项联合研究，该研究使用联邦学习（一种分布式机器学习和人工智能方法）来帮助医疗和研究机构发现恶性脑肿瘤。

据说这项研究是有史以来规模最大的医学类联邦学习研究，所使用的全球数据集是前所未有的。该项目使用了来自六大洲71个机构的数据，能够将脑肿瘤检测提高33%。

英特尔认为，由于美国各州和国家数据隐私法律（包括Health Insurance Portability and Accountability Act，HIPAA）的规定，长期以来数据可访问性一直是医疗领域面临的一个问题。由于HIPAA法案，在不损害患者健康信息的情况下，大规模的医学研究和数据共享几乎是不可能的。英特尔的联邦学习硬件和软件符合数据隐私问题，并通过机密计算保护数据完整性、隐私和安全性。

这次英特尔实验室和宾大医学院的研究涉及在分散式系统中处理大量数据，使用英特联邦学习技术与Intel Software Guard Extensions相结合，消除阻碍癌症和疾病研究等方面合作过程中存在的数据共享障碍。该系统通过将原始数据保存在数据持有者的计算基础设施中来解决数据隐私问题，并且只允许通过发送到中央服务器或聚合器的数据（而不是数据本身）进行模型更新计算。

该研究报告高级作者、宾大医学院病理学与检验医学和放射学助理教授Spyridon Bakas解释说：“在这项研究中，联邦学习显示了它作为范式转变的潜力，通过允许访问文献中考虑过的最大规模和最多样化的胶质母细胞瘤患者数据集，来实现多机构之间的合作，同时所有数据始终保留在每个机构内。我们输入机器学习模型的数据越多，模型就会变得越准确，这反过来可以提高我们理解和治疗罕见疾病例如胶质母细胞瘤的能力。”

访问大量医疗数据（包括那些超过了数据生成阈值的数据集）是该技术的关键。这项研究证明了大规模联邦学习的有效性，以及释放多站点数据孤岛之后医疗行业可以实现的潜在好处。

英特尔的技术优势则体现在帮助及早发现疾病，改善生活质量或者延长患者的寿命。

英特尔实验室首席工程师Jason Martin说：“正如我们与宾大医学院的研究表明，联邦学习在众多领域具有巨大潜力，尤其是在医疗领域。联邦学习能够帮助敏感信息和数据，这为未来的研究和合作打开了一扇大门，尤其是在无法访问数据集的情况下。”

在完成这项研究之后，英特尔实验室和宾大医学院创造了一个概念证明，使用联合学习从数据中获取知识。该解决方案可以显着影响医疗和其他研究领域，特别是在不同类型的癌症研究方面。