\n<\/aside>\n<\/p>\n
Ha tomado un tiempo, pero las plataformas de redes sociales ahora saben que la gente prefiere mantener su informaci\u00f3n alejada de los ojos corporativos y de algoritmos mal\u00e9volos. Es por eso que la nueva generaci\u00f3n de sitios de redes sociales como Threads, Mastodon y Bluesky se jactan de ser parte del \u00abfediverso\u00bb. Aqu\u00ed, los datos de los usuarios se alojan en servidores independientes en lugar de en un silo corporativo. Luego, las plataformas utilizan est\u00e1ndares comunes para compartir informaci\u00f3n cuando es necesario. Si un servidor comienza a albergar demasiadas cuentas da\u00f1inas, otros servidores pueden optar por bloquearlo.<\/p>\n
No son los \u00fanicos que adoptan este enfoque. Los investigadores m\u00e9dicos creen que una estrategia similar podr\u00eda ayudarles a entrenar el aprendizaje autom\u00e1tico para detectar tendencias de enfermedades en los pacientes. Colocar sus algoritmos de inteligencia artificial en servidores especiales dentro de los hospitales para un \u00abaprendizaje federado\u00bb podr\u00eda mantener altos los est\u00e1ndares de privacidad y al mismo tiempo permitir a los investigadores descubrir nuevas formas de detectar y tratar enfermedades.<\/p>\n
\u00abEl uso de la IA est\u00e1 explotando en todas las facetas de la vida\u00bb, afirm\u00f3 Ronald M. Summers, del Centro Cl\u00ednico de los Institutos Nacionales de Salud de Maryland, que utiliza el m\u00e9todo en sus investigaciones en radiolog\u00eda. \u00abHay mucha gente interesada en utilizar el aprendizaje federado para una variedad de aplicaciones diferentes de an\u00e1lisis de datos\u00bb.<\/p>\n
\u00bfComo funciona?<\/h2>\n Hasta ahora, los investigadores m\u00e9dicos refinaron sus algoritmos de IA utilizando algunas bases de datos cuidadosamente seleccionadas, generalmente informaci\u00f3n m\u00e9dica an\u00f3nima de pacientes que participan en estudios cl\u00ednicos.<\/p>\n
Sin embargo, mejorar a\u00fan m\u00e1s estos modelos significa que necesitan un conjunto de datos m\u00e1s grande con informaci\u00f3n de pacientes del mundo real. Los investigadores podr\u00edan reunir datos de varios hospitales en una base de datos, pero eso significa pedirles que entreguen informaci\u00f3n sensible y altamente regulada. Enviar informaci\u00f3n de pacientes fuera del firewall de un hospital es un gran riesgo, por lo que obtener permiso puede ser un proceso largo y legalmente complicado. Las leyes nacionales de privacidad y la ley GDPR de la UE establecen reglas estrictas sobre c\u00f3mo compartir la informaci\u00f3n personal de un paciente.<\/p>\n\n Anuncio <\/span> <\/p>\n<\/aside>\nEn cambio, los investigadores m\u00e9dicos est\u00e1n enviando su modelo de IA a los hospitales para que pueda analizar un conjunto de datos mientras permanece dentro del firewall del hospital.<\/p>\n
Normalmente, los m\u00e9dicos primero identifican a los pacientes elegibles para un estudio, seleccionan los datos cl\u00ednicos que necesitan para la capacitaci\u00f3n, confirman su exactitud y luego los organizan en una base de datos local. Luego, la base de datos se coloca en un servidor del hospital que est\u00e1 vinculado al software de inteligencia artificial de aprendizaje federado. Una vez que el software recibe instrucciones de los investigadores, puede hacer funcionar su magia de IA, entren\u00e1ndose con los datos locales del hospital para encontrar tendencias de enfermedades espec\u00edficas.<\/p>\n
De vez en cuando, este modelo entrenado se env\u00eda de vuelta a un servidor central, donde se une a modelos de otros hospitales. Un m\u00e9todo de agregaci\u00f3n procesa estos modelos entrenados para actualizar el modelo original. Por ejemplo, el popular algoritmo de agregaci\u00f3n FedAvg de Google toma cada elemento de los par\u00e1metros de los modelos entrenados y crea un promedio. Cada promedio pasa a formar parte de la actualizaci\u00f3n del modelo, y su entrada al modelo agregado se pondera proporcionalmente al tama\u00f1o de su conjunto de datos de entrenamiento.<\/p>\n
En otras palabras, la forma en que cambian estos modelos se agrega en el servidor central para crear un \u00abmodelo de consenso\u00bb actualizado. Luego, este modelo de consenso se env\u00eda de regreso a la base de datos local de cada hospital para ser entrenado nuevamente. El ciclo contin\u00faa hasta que los investigadores juzgan que el modelo de consenso final es lo suficientemente preciso. (Hay una revisi\u00f3n de este proceso disponible).<\/p>\n
Esto mantiene contentas a ambas partes. Para los hospitales, ayuda a preservar la privacidad ya que la informaci\u00f3n enviada al servidor central es an\u00f3nima; La informaci\u00f3n personal nunca cruza el firewall del hospital. Tambi\u00e9n significa que el aprendizaje autom\u00e1tico\/IA puede alcanzar su m\u00e1ximo potencial al entrenarse con datos del mundo real para que los investigadores obtengan resultados menos sesgados y m\u00e1s propensos a ser sensibles a enfermedades espec\u00edficas.<\/p>\n
En los \u00faltimos a\u00f1os ha habido un auge en la investigaci\u00f3n utilizando este m\u00e9todo. Por ejemplo, en 2021, Summers y otros utilizaron el aprendizaje federado para ver si pod\u00edan predecir la diabetes a partir de tomograf\u00edas computarizadas del abdomen.<\/p>\n
\u00abDescubrimos que hab\u00eda firmas de diabetes en el esc\u00e1ner CT [for] el p\u00e1ncreas que precedi\u00f3 al diagn\u00f3stico de diabetes hasta siete a\u00f1os\u201d, dijo Summers. \u00abEso nos emocion\u00f3 mucho porque podr\u00edamos ayudar a los pacientes que est\u00e1n en riesgo\u00bb.<\/p>\n<\/p><\/div>\n
\nSource link-49<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"Ha tomado un tiempo, pero las plataformas de redes sociales ahora saben que la gente prefiere mantener su informaci\u00f3n alejada de los ojos corporativos y de algoritmos mal\u00e9volos. Es por…<\/p>\n","protected":false},"author":1,"featured_media":968852,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[21980],"tags":[8155,35407,8,59364,111,17768,31123,884],"_links":{"self":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/968851"}],"collection":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/comments?post=968851"}],"version-history":[{"count":1,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/968851\/revisions"}],"predecessor-version":[{"id":968853,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/posts\/968851\/revisions\/968853"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/media\/968852"}],"wp:attachment":[{"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/media?parent=968851"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/categories?post=968851"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/magazineoffice.com\/wp-json\/wp\/v2\/tags?post=968851"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}