Triagem de Pacientes com COVID-19: 20 Hospitais em 20 Dias Criam um Modelo de AI que Prevê as Necessidades de Oxigênio

O federated learning NVIDIA Clara prevê requisitos sem compartilhar dados e constrói um modelo de AI mais genérico, independentemente da localização geográfica, número de pacientes ou tamanho dos dados.
por Mona Flores

Pesquisadores da NVIDIA e do Massachusetts General Brigham Hospital desenvolveram um modelo de AI que determina se uma pessoa que chega em um pronto-socorro com sintomas de COVID-19 precisará de oxigênio suplementar por horas ou mesmo dias após um exame inicial.

O modelo original, denominado CORISK, foi desenvolvido pelo cientista Dr. Quanzheng Li no Mass General Brigham. Ele combina imagens médicas e registros de saúde para ajudar os médicos a gerenciar as internações de maneira mais eficaz, em um momento em que muitos países podem começar a atender uma segunda onda de pacientes com COVID-19.

Workflow de previsão de oxigênio com AI

Para desenvolver um modelo de AI em que os médicos confiem e que se generalize para o maior número possível de hospitais, a NVIDIA e o Mass General Brigham embarcaram em uma iniciativa chamada EXAM (EMR CXR AI Model), a maior e mais diversa iniciativa de federated learning com 20 hospitais de todo o mundo .

Em apenas duas semanas, a colaboração global alcançou um modelo com 0,94 área sob a curva (com uma meta de AUC de 1,0), resultando em uma previsão excelente para o nível de oxigênio necessário para os pacientes que chegam. O modelo de federated learning será lançado como parte da NVIDIA Clara no NGC nas próximas semanas.

Olhando por Dentro da Iniciativa “EXAM”

Usando o Framework de Federated Learning do NVIDIA Clara, os pesquisadores dos hospitais puderam usar uma radiografia de tórax, sinais vitais do paciente e valores de laboratório para treinar um modelo local e compartilhar apenas um subconjunto de dados do modelo com o modelo global em uma técnica de preservação de privacidade chamado de federated learning.

O objetivo final desse modelo é prever a probabilidade de que uma pessoa que apareça em um pronto-socorro precise de oxigênio suplementar, que pode ajudar os médicos a determinar o nível apropriado de cuidado para os pacientes, incluindo a internação em uma UTI.

O Dr. Ittai Dayan, que lidera o desenvolvimento e implantação de AI no Mass General Brigham, co-liderou a iniciativa EXAM com a NVIDIA e facilitou o uso do CORISK como ponto de partida para o treinamento de federated learning. As melhorias foram obtidas treinando o modelo em dados distribuídos de um conjunto de dados multinacional diversificado de pacientes na América do Norte e do Sul, Canadá, Europa e Ásia.

Além do Mass Gen Brigham e seus hospitais afiliados, outros participantes incluíram: Children’s National Hospital em Washington, D.C .; NIHR Cambridge Biomedical Research Center; Hospital Central das Forças de Defesa em Tóquio; National Taiwan University MeDA Lab e MAHC e Taiwan National Health Insurance Administration; Hospital Geral Tri-Service em Taiwan; Hospital da Universidade Nacional de Kyungpook na Coreia do Sul; Faculdade de Medicina da Universidade Chulalongkorn na Tailândia; Diagnósticos da América SA no Brasil; Universidade da Califórnia, São Francisco; VA San Diego; Universidade de Toronto; Institutos Nacionais de Saúde em Bethesda, Maryland; Escola de Medicina e Saúde Pública da Universidade de Wisconsin-Madison; Memorial Sloan Kettering Cancer Center em Nova York; e Mount Sinai Health System em Nova York.

Cada um desses hospitais usou o NVIDIA Clara para treinar seus modelos locais e participar da iniciativa EXAM.

Em vez de reunir radiografias de tórax do paciente e outras informações confidenciais em um único local, cada instituição usa um servidor interno seguro para seus dados. Um servidor separado, hospedado na AWS, mantém a rede neural profunda global, e cada hospital participante obtém uma cópia do modelo para treinar em seu próprio conjunto de dados.

Colaboração em Escala Global

Projetos de federated learning em grande escala também estão em andamento, com o objetivo de melhorar a descoberta de medicamentos e trazer os benefícios da AI ao ponto de atendimento.

Owkin está se unindo à NVIDIA, King’s College London e mais de uma dúzia de outras organizações no MELLODDY, um consórcio de descoberta de medicamentos com sede no Reino Unido, para demonstrar como as técnicas de federated learning podem dar aos parceiros farmacêuticos o melhor dos dois mundos: a capacidade de alavancagem o maior conjunto de dados colaborativo de compostos de medicamentos do mundo para treinamento de AI sem sacrificar a privacidade dos dados.

O CEO da NVIDIA, Jensen Huang, descreveu como a AI pode acelerar a descoberta de medicamentos em uma parte de sua apresentação do  GTC:

O King’s College London espera que seu trabalho com federated learning , como parte de seu projeto London Medical Imaging and Artificial Intelligence Center for Value-Based Healthcare, possa levar a avanços na classificação de derrames e deficiências neurológicas, determinando as causas subjacentes de câncer e recomendando o melhor tratamento para os pacientes.

Saiba mais sobre outro modelo de IA para COVID-19 utilizando um conjunto de dados multinacional neste artigo e sobre a ciência por trás do federated learning neste artigo. E assista Huang, da NVIDIA, recapitular todas as notícias da GTC no vídeo abaixo.

19