Децентрализирана интелигентност: Защо федеративното обучение е надежден и съвместим път за глобалните фармацевтични научноизслед

За световните фармацевтични лидери в организации като GSK, Pfizer и Roche, най-ценният актив често е най-недостъпният, а именно данните на ниво пациент.

Докато индустрията разбира, че „повече данни означават по-добри резултати“, реалността на съхранението на данните е правно минно поле. Клинично изпитване, включващо центрове във Великобритания, Германия и САЩ, създава „регулаторна патова ситуация“. В момента процесът включва прехвърляне на сурови медицински записи през тези граници и включва години на споразумения за прехвърляне на данни (DTA) и високи рискове от неспазване на GDPR на Обединеното кралство, HIPAA и евентуално Закона за изкуствения интелект на ЕС.

Цената на това триене се измерва в човешки животи и милиарди долари. В VECTOR Labs виждаме различен път напред. За да преминем от ИИ към стойност в науките за живота, трябва да спрем да се опитваме да преместваме данните. Трябва да променим модела.

Федеративната парадигма: Довеждане на науката до източника

Федеративното обучение (FL) е децентрализирана архитектура за машинно обучение, която позволява моделите с изкуствен интелект да бъдат обучавани върху различни източници на данни, без данните да напускат първоначалното си местоположение.

При традиционния централизиран подход болниците изпращат чувствителни досиета на пациенти до централния сървър на фармацевтична компания, създавайки риск за сигурността и регулаторните изисквания. В допълнение към свързаните с това рискове, това е много скъп процес. В VECTOR Federated Framework процесът е обърнат:

1. Глобален мастер модел се захранва от входни параметри от модели, работещи на локалните сървъри на отделни болници или изследователски центрове.
2. Моделът се обучава локално върху специфичните данни на болницата (напр. КТ сканирания, геномни последователности или анамнеза) в стандартизиран формат.
3. Само криптираните актуализации на градиента („извлечените поуки“) се изпращат обратно към централния сървър. Могат да се прилагат различни методи за запис, като например хомоморфно криптиране.
4. Тези актуализации се агрегират, за да се научи същият модел, както ако е обучен върху централизирани данни, който след това се споделя отново с мрежата.

Резултатът: Висококачествен прогнозен модел с данни, намиращи се в оригиналните източници, което намалява риска за сигурността и регулаторния риск

Защо Tier-1 Pharma изисква научна прецизност?

В мащаба на Novartis или Gilead, „достатъчно добрият“ изкуствен интелект е пасив. Крехките модели водят до неуспешни изпитвания. Тук родословието на VECTOR Labs се превръща в стратегическо предимство:

• Иконометрична интегритет: Воден от докторант от университета Еразъм с постдокторски изследвания в Станфорд, нашият екип третира теглата на моделите като научни променливи.
• Управление от консултантски клас: Черпейки от нашата ДНК в Deloitte and Cognizant, ние не просто доставяме код; ние доставяме работни процеси, съвместими с GxP. Ние гарантираме, че вашият процес на федерално обучение е одитиран, обясним и готов за подаване в регулаторните органи.
   

Пример на употреба: Ускоряване на многоболнични онкологични проучвания

Помислете за предизвикателството да обучавате модел за ранно откриване на заболявания (напр. чернодробна стеатоза). Една болница няма достатъчно данни за редки случаи, за да изгради надежден модел. Чрез използването на нашия подход за федеративно обучение, фармацевтичната компания потенциално може:

• Да сътрудничи с 20 глобални онкологични центъра.
• Да обучава върху разнообразен, мултиетнически набор от данни, който отразява глобалното население.
• Да поддържа 100% съответствие с местните закони за поверителност на данните.
• Въздействие: Намаляване на времето за получаване на информация с месеци и увеличаване на вероятността за успех на изпитването, като се гарантира, че моделът се обобщава в реални популации.

Инженерната реалност на „Физическия изкуствен интелект“

Внедряването на федеративното обучение във фармацевтичен контекст е предизвикателство за оркестрация. Изисква:

1. Сигурно агрегиране: Гарантиране, че локалните актуализации не могат да бъдат „обратно инженерствани“ да идентифицира пациенти.
2. Съвместимост на инфраструктурата: Преодоляване на разликата между облака на фармацевтична компания (Azure/AWS/Google Cloud и др.) и наследените локални сървъри на болницата.
3. Валидиране: Доказване на регулаторните органи, че федеративният модел е толкова точен, колкото и централизиран.

Пътната карта на VECTOR Labs: От стратегия към стойност

Препоръчваме ръководителите на дигитална трансформация в глобалните фармацевтични фирми да преминат през три фази:

• Фаза 1: Одит на зрялостта на ИИ. Оценка на текущите силози за клинични данни и идентифициране на местата, където се наблюдава „триене в данните“. забавя научноизследователската и развойна дейност.
• Фаза 2: Пилотният „Суверенен“ възел. Стартирайте пилотен проект, използващ Федерирано обучение, върху единичен случай на употреба с голямо въздействие, като например сегментиране на пациенти или прогнозиране на нежелани събития.
• Фаза 3: Глобална оркестрация. Мащабирайте децентрализираната инфраструктура в мрежата от клинични партньори.

„Производствената празнина“ във фармацевтиката се затваря, когато науката се среща с дисциплината. Нека VECTOR Labs осигури посоката и мащаба на вашето децентрализирано бъдеще.