新传媒网Penn Medicine 和 Intel Corporation 的研究人员领导了迄今为止最大规模的全球机器学习工作，以安全地汇总来自全球 71 个地点的 6,314 名胶质母细胞瘤 (GBM) 患者脑部扫描的知识，并开发一个可以增强边界识别和预测的模型在三个肿瘤子隔间中，不会损害患者隐私。他们的研究结果发表在今天的Nature Communications上。
“这是文献中考虑过的最大和最多样化的胶质母细胞瘤患者数据集，并且通过联合学习成为可能，”资深作者 Spyridon Bakas 博士说，他是病理学和实验室医学以及放射学的助理教授，在宾夕法尼亚大学佩雷尔曼医学院。“我们可以输入机器学习模型的数据越多，它们就会变得越准确，这反过来又可以提高我们更精确地理解、治疗和切除患者胶质母细胞瘤的能力。”
研究罕见病症(例如 GBM(一种侵袭性脑肿瘤))的研究人员通常将患者群体限制在他们自己的机构或地理位置。由于隐私保护立法，例如美国 1996 年的健康保险流通与责任法案 (HIPAA) 和欧洲的通用数据保护条例 (GDPR)，在不损害患者隐私数据的情况下跨机构进行数据共享协作是一个主要障碍对于许多医疗保健提供者。
一种称为联邦学习的较新机器学习方法通过将机器学习算法引入数据而不是遵循当前将数据集中到算法的范例，为这些障碍提供了解决方案。联邦学习——谷歌首先为键盘的自动更正功能实施的一种方法——在多个分散的设备或服务器(在本例中为机构)上训练机器学习算法，这些设备或服务器持有本地数据样本，而不实际交换它们。之前已经证明它允许不同国家机构的临床医生在不共享任何私人患者数据的情况下合作研究。
Bakas 与第一作者、宾夕法尼亚大学生物医学图像计算与分析中心 (CBICA) 的高级软件开发人员 Sarthak Pati 女士、CBICA 的博士后研究员 Ujjwal Baid 博士、Brandon Edwards 博士一起领导了这项大规模的合作研究.D.，英特尔实验室的研究科学家，以及英特尔实验室的研究科学家 Micah Sheller。
