印度醫院系統的安全聯邦學習平台（Secure Federated Learning Platform），能夠真正做到讓 IT 人員也可以應用健康資料，替應用 AI 的健康醫療技術提供了一條大道。
文／Yashvendra Singh‧譯／潘得龍
在健康醫療的領域，來自不同專業的個別資料，通常會成為創新應用的瓶頸，像是新藥研發、臨床試驗以及健康醫療預測。而印度的健康醫療機構 Aster DM Healthcare，針對這個問題提供了解決方案，可以處理許多棘手的問題。
由於影像檢查以及其它格式的電子病歷資料，每位病人每個月會產生將近 80MB 的資料。RBC Capital Market 預測，到了 2025 年，健康醫療資料的成長率會達到 36%。他們指出，「單是基因類型的資料，到了 2025 年就會有 2EB 到 40EB 的資料，這樣的資料量已經超過所有其它技術平台的資料量。」
應用 AI 技術的解決方案，目前可以應用在許多領域，像是醫學影像等。但是一些急迫的問題，向是人力短缺、人口高齡化，以及如何取得在不同地理位置，不同醫院間，散落於不同位置的醫療系統的相關資料，而又能符合法規，則是一項巨大的挑戰。
「在分散式學習設置中，必須將來自不同醫院的資料彙集在一起，才能建立使用於模型訓練的集中資料儲存庫。不過這一來，就會產生對於資料隱私的擔憂。印度海灣委員會 Aster Telehealth 的營運長 Harsha Rajaram 博士說，醫院對參與此類計畫抱持著懷疑的態度，因為會擔心失去對病人資料的管控，儘管他們認為這樣的方式有著很大的價值。Aster Telehealth 的母公司 Aster DM Healthcare，是一家在其投資組合之下，擁有醫院、診所、藥局和醫療保健諮詢服務的企業集團。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球CIO同步獲取精華見解 ]
為了克服這些挑戰，Aster DM Healthcare 的創新中心，也就是 Aster 創新和研究中心，建置了他們的「安全聯邦學習平台（SFLP）」。這個平台可以安全、快速地取得匿名和結構化的健康資料，而能應用於研究和合作計畫。
聯邦學習是一種使用儲存在多個分散來源的資料，應用於訓練 AI 模型，而不需要搬移資料的方法。SFLP 平台則能夠允許在不產生資料隱私問題的情況下，取得不同的資料來源，因為資料是儲存在來源，模型的訓練可以使用這些不同來源的資料。
Aster Digital Health 的 AI 科學家創新顧問 Lalit Gupta 博士表示，「這個平台藉由將運算傳送給資料，而不是將資料傳送給運用，這樣的方式產生了革命性的典範。」
Rajaram 提到：「聯邦運算技術提供了新的平台，藉由這個平台，我們可以釋放巨大的潛在資料，從而更好地洞悉臨床、應運和業務挑戰。也能夠運用新的機會，而不用擔心失去對資料的控制。平台能夠與許來自多個組織的資料科學家，在不共享原始資料的情況下進行 AI 模型的訓練。藉由存取更大型的資料集，而能發展出更準確的人工智慧模型，還能確保資料的合法性以及控管。」
建立 SFLP 區塊
在建置平台之前，Aster 使用來自 Aster 醫院的 Bengaluru 和 Vijayawada 叢集的醫院資料，對該平台進行能力示範以及概念的驗證。
Gupta 指出：「這個平台包含實際位於 Bagalore 和 Vijayawada 的機器，採用兩個節點偕同運作。主控 / 彙整裝置位於 Bangalore，兩個 envoy / collaborator 則是分別位在 Bengaluru 和 Vijayawada。軟體配置則是採用核心版本為 5.4.0-65-generic 的 Ubuntu 20.04.02，偕同執行工具為 OpenFL Python 函式庫，使用 PyTorch Python 函式庫開發深度學習模型，以及 Nvidia Quadro RTX6000 GPU。」
「Aster IT 團隊幫助安裝和設置了三台伺服器、需要使用的連接埠，安裝作業系統以及必要的驅動程式，以及維護伺服器。IT 團隊也協助從 PACS 和 HIS 取得資料，也就是聯邦學習實驗所需要的資料。他說：「PACS 是影像儲存與通訊系統，使用於儲存和傳輸電子影像和報告的醫學影像技術。而 HIS，也就是醫療資訊系統，則是主要在管理健康醫療的資料。
針對示範的部分，採用了超過 125,000 張胸部 X 光影像，包含來自 Bengluru 的 30,000 多個唯一的病人資料，使用於 Python 程式語言所開發訓練的 CheXNet AI 模型，用以偵測放射檢查的異常報告。由於無法使用其它真實資訓練 AI 模型，因此另外使用了 18,537 張影像以提升 3% 的準確率。
這個平台可以搭配任何分析工具，並且對資料的大小沒有任何限制。Rajaram 表示：「我們將根據應用案例決定資料的大小，在示範實驗系統的能力中，我們使用了大約 30GB 的胸部 X 光影響資料庫。」
Aster 使用了大約八個月的時間，包含四個月的能力展示，而完成系統的部署。最終這個平台於 2022 年 6 月上線，Rajaram 說，「目前我們處於早期階段，只在兩家醫院部署了硬體和軟體。我們打算將這些架構應用到更多的醫院，並期待其它供應商一起建置生態系統。」
解決資料安全性的新挑戰
雖然聯邦學習這樣的方法，已經被大家認為是能夠解決資料隱私的的架構，不過同時也產生了其它的安全風險。主要是因為以資料為基礎的 AI 模型資產，更容易受到駭客的攻擊，也因此必須提供相對應安全隱私因應之道。
將伺服器的中央處理單位，內建一組與安全相關的指令碼，這些指令碼可以提供以硬體為基礎的記憶體加密。將特定的應用程式碼與記憶體的資料加以隔離，就可以達到資料安全的機制。Rajaram 說：「這個平台將聯邦學習與硬體架構的安全機制整合，能夠有助於在藉由網路傳送，以及在執行聯邦學習訓練作業的期間，能夠保護所儲存的資料與 AI 模型。這個平台的安全功能，能夠提供機密性、完整性證明能力，可以防止資料分送時的確取或是逆向工程。」
他指出：「資料表示已經在 PACS 系統中，我們使用 API 進行資料的萃取。這樣的資料本來就存在於醫院系統中，所以不需要另外匿名，不過對於測試項目，我們還是對後段的資料進行了匿名的處理。」
(本文授權非營利轉載，請註明出處：CIO Taiwan)
