7 دقیقه
همکاری سامسونگ و Galeon برای پیشرفت هوش مصنوعی در حوزه سلامت
سامسونگ اعلام کرده است که با پروتکل علوم غیرمتمرکز (DeSci) موسوم به Galeon وارد همکاری شده تا هوش مصنوعی (AI) را در دستگاه‌های تصویربرداری سونوگرافی خود یکپارچه کند و در عین حال داده‌های آموزشی ناشناس‌شده برای مدل‌های پزشکی فراهم آورد. این همکاری، سخت‌افزار سونوگرافی سامسونگ را به پلتفرم پرونده الکترونیک سلامت (EHR) شرکت Galeon متصل می‌کند و هدف آن تسریع توسعه هوش مصنوعی بالینی همراه با حفظ حریم خصوصی بیماران و حاکمیت داده‌های مؤسسه‌ای است. در سطح عملیاتی، این مشارکت تلاشی است برای ایجاد تعادل بین نیاز به داده‌های باکیفیت برای آموزش مدل‌های یادگیری عمیق و الزامات قانونی و اخلاقی درباره حفاظت از اطلاعات سلامت بیمار.
نحوه عملکرد و معماری ترکیبی سامانه
سامانه EHR که توسط Galeon توسعه یافته، هم‌اکنون در شبکه‌ای متصل شامل 18 بیمارستان فعال است؛ از جمله چند مرکز در فرانسه مانند بیمارستان دانشگاهی روئن، بیمارستان دانشگاهی کان، بیمارستان تولون و بیمارستان Sud Francilien. به‌جای آن‌که داده‌های حساس پزشکی روی زنجیره عمومی (on-chain) ذخیره شوند، این ابتکار عمل الگوریتم‌های هوش مصنوعی را به‌گونه‌ای روی زنجیره مدیریت می‌کند تا قابلیت پیگیری و حسابرسی کامل فراهم آید، در حالی که داده‌های خام بیمارستان‌ها ناشناس‌سازی می‌شوند و تحت کنترل هر مؤسسه باقی می‌مانند. این رویکرد هیبریدی، با ترکیب شفافیت و امکان حسابرسی زنجیره بلوکی و رعایت مقررات حریم خصوصی سلامت (مانند GDPR در اروپا یا الزامات مشابه) تلاش می‌کند تا تعادل لازم بین پاسخگویی و حفاظت از حریم شخصی را ایجاد کند.
تیم Galeon
آموزش مدل‌های هوش مصنوعی با تمرکز بر حفظ حریم خصوصی برای دستگاه‌های سونوگرافی
بر اساس مفاد این توافق، ارائه‌دهندگان خدمات پزشکی قادر خواهند بود از مدل‌های هوش مصنوعی اشتراکی استفاده کنند که روی مجموعه‌داده‌های غیرمتمرکز آموزش دیده‌اند، بدون آن‌که اطلاعات سطح بیمار مرکزی‌سازی شود. هر بیمارستان تصاویر سونوگرافی ناشناس‌شده و فراداده‌های EHR را در چارچوبی امن مشارکت می‌دهد تا مدل‌ها به‌صورت محلی یا از طریق فرآیندهای یادگیری فدرال (federated learning) آموزش ببینند. این سازوکار امکان بهبود مستمر مدل‌ها در میان مراکز شرکت‌کننده را فراهم می‌سازد و در عین حال ریسک‌های ناشی از انتقال داده‌های حساس را کاهش می‌دهد. بخش on-chain در این معماری، حاکمیت شفاف، ثبت تغییرات مدل و قابلیت احراز منشاء (provenance) به‌صورت قابل‌روئیت فراهم می‌آورد که نگرانی‌های مربوط به انحراف مدل (model drift) و ردگیری تاریخچه آموزش را در هوش مصنوعی پزشکی پاسخ می‌دهد.
ابزارهای واقعی هوش مصنوعی که در حال توسعه‌اند
مدیرعامل Galeon، لویک بروتونز (Loïc Brotons)، به خبرنگاران گفته است که شرکت ابزارهای عملی متعددی برای حوزه سلامت توسعه داده است؛ از جمله یک هوش مصنوعی برای صورتحساب‌گذاری خودکار خدمات پزشکی، یک مولد خلاصه مشاوره بالینی و یک مدل تبدیل گفتار به متن که ویژه جریان‌های کاری بالینی (clinical workflows) در حال توسعه است. این ابزارها نشان می‌دهند که چگونه ترکیب داده‌های تصویربرداری سونوگرافی، یکپارچگی با پرونده الکترونیک سلامت و قابلیت ردیابی روی زنجیره می‌تواند پذیرش هوش مصنوعی در محیط‌های بالینی را تسریع کند، در حالی که چارچوب‌های نظارتی و حفاظتی رعایت می‌شوند. علاوه بر این، استفاده از استانداردهای بین‌المللی تبادل داده مانند HL7 FHIR و پروتکل‌های امن انتقال داده، نقش محوری در تضمین سازگاری بین سیستم‌های مختلف بیمارستانی خواهد داشت.
جنبش DeSci و جلب توجه سرمایه‌گذاران
علوم غیرمتمرکز یا DeSci به‌سرعت یکی از پرتحرک‌ترین بخش‌ها در نوآوری بلاک‌چینی شده است، به‌خصوص در حوزه سلامت. پروژه‌هایی مانند VitaDAO به خاطر تأمین مالی پژوهش‌های مرتبط با طول عمر توجه را جلب کرده‌اند، در حالی که DAOهای مبتنی بر DeSci اهداف آزمایشگاهی بلندپروازانه‌ای را دنبال می‌کنند. به‌عنوان مثال، HydraDAO گزارش‌هایی از نتایج پیش‌بالینی چشمگیر منتشر کرده که نظر سرمایه‌گذاران را جلب نموده است و حرکت گسترده‌تر DeSci باعث افزایش علاقه شرکت‌های سرمایه‌گذاری خطرپذیر و صندوق‌های بلاک‌چینی شده است. این تمرکز سرمایه‌ای می‌تواند منابع لازم برای جمع‌آوری داده‌های باکیفیت، توسعه زیرساخت‌های محاسباتی مبتنی بر فضای ابری و محاسبات مرزی (edge computing) و ارتقای ابزارهای حاکمیت داده را فراهم کند.
تأمین مالی اخیر و اولویت‌های داده‌ای
اوایل سال جاری، پلتفرم DeSci با نام Bio Protocol موفق شد دور تأمین مالی 6.9 میلیون دلاری را با حمایت صندوق Maelstrom و Animoca Brands به پایان برساند، که پیش از آن نیز سرمایه‌گذاری‌هایی از Binance Labs دریافت کرده بود. کسب و حفظ داده‌های باکیفیت همچنان یک اولویت راهبردی برای پروژه‌های DeSci به شمار می‌آید: چندین پلتفرم DeSci به‌صورت فعال در پی به‌دست آوردن مجموعه‌داده‌های ژنومی هستند — از جمله دارایی‌هایی از خدمات مصرفی متوقف‌شده مانند 23andMe — تا تحقیقات و آموزش مدل‌های هوش مصنوعی را تقویت کنند. در این مسیر، موضوعات مرتبط با مالکیت داده، رضایت آگاهانه (informed consent)، چارچوب‌های پرداخت مشارکتی برای مشارکت‌دهندگان و استفاده از تکنیک‌هایی مانند رمزنگاری همسطح (homomorphic encryption) و مدارک بدون افشای اطلاعات (zero-knowledge proofs) برای حفاظت از حریم خصوصی نقشی کلیدی ایفا می‌کنند.
پیامدها برای زنجیره بلوک، هوش مصنوعی پزشکی و پرونده‌های الکترونیک سلامت
همکاری سامسونگ و Galeon نشان‌دهنده همگرایی فزاینده میان بلاک‌چین، علوم غیرمتمرکز و هوش مصنوعی در حوزه سلامت است. با ادغام سخت‌افزار تصویربرداری سامسونگ با EHR و سازوکارهای حاکمیتی DeSci، این شراکت یک الگوی عملی برای آموزش هوش مصنوعی با حفظ حریم خصوصی ارائه می‌دهد که کنترل سازمانی روی داده‌های بیمار را نگه داشته و در عین حال توسعه مدل‌های مقیاس‌پذیر و قابل حسابرسی را ممکن می‌سازد. برای پزشکان، پژوهشگران و سرمایه‌گذاران بازار رمزارزها، این رویکرد یک مسیر عمل‌گرایانه برای ترکیب شفافیت روی زنجیره با جریان‌های کاری واقعی پزشکی نشان می‌دهد.
انتظار می‌رود با تداوم تعامل میان سازمان‌های بهداشتی و ابتکارات DeSci، شاهد شکل‌گیری مشارکت‌های بیشتری باشیم که بر اشتراک‌گذاری امن داده، یادگیری فدرال، و حاکمیت مدل‌های قابل‌اثبات میان بیمارستان‌ها و مؤسسات تحقیقاتی متمرکز هستند. از منظر عملیاتی، این روند نیازمند توسعه استانداردهای بین‌بخش برای متادیتا (metadata)، پروتکل‌های ارزیابی کیفیت داده و روش‌های گزارش‌دهی شفاف برای اثرات بالینی و عملکرد مدل است. همچنین برای پذیرش بالینی، لازم است که مدارک کارآزمایی بالینی برای مدل‌های تشخیصی فراهم شود تا سودمندی بالینی آنها اثبات و پذیرش توسط نهادهای نظارتی تسهیل گردد.
همزمان، چالش‌هایی نیز وجود دارد که باید به آنها توجه شود: تضمین کیفیت داده‌های تصویری و استانداردسازی پارامترهای تصویربرداری سونوگرافی بین دستگاه‌ها و مراکز مختلف، مدیریت سوگیری‌های جمعیتی در داده‌ها، و اطمینان از بروزرسانی‌های منظم و کنترل‌شده مدل‌ها برای جلوگیری از انحراف عملکردی در محیط بالینی. برای پاسخ به این چالش‌ها، پیشنهاد می‌شود چارچوب‌های اعتبارسنجی چندمرکزی، ممیزی‌های مستقل کد و داده، و استفاده از تکنیک‌های افزایش حریم خصوصی مانند تفاضل‌گذاری متفاوت (differential privacy) و تجمیع امن پارامترها (secure aggregation) به کار گرفته شوند.
در نهایت، همکاری‌هایی از این دست می‌توانند نقش مهمی در تجاری‌سازی هوش مصنوعی پزشکی ایفا کنند، به شرطی که سرمایه‌گذاری در زیرساخت‌های فنی، حاکمیت داده و آموزش بالینی پرستاران و پزشکان ادامه یابد. به‌ویژه، ترکیب قابلیت‌های تصویربرداری پیشرفته سامسونگ با شبکه‌های EHR و اکوسیستم‌های DeSci می‌تواند فرصت‌های تحقیقاتی نوینی برای توسعه الگوریتم‌های تشخیصی، پیش‌بینی‌کننده و تصمیم‌یار بالینی فراهم آورد که در شرایط واقعی بیمارستانی آزمون و ارزیابی شده‌اند.
منبع: cointelegraph
ارسال نظر