Duke leder $1M-indsatsen, der udforsker måder at holde patientdata sikre på i dage med kunstig intelligens
Udgivelsesdato:DURHAM – En helt ny verden af sundhedsindsigt er lige ved hånden, takket være hurtigt udviklende maskinlæringsteknikker, der kan analysere enorme mængder data. Men hvordan kan vi effektivt udnytte disse værdifulde data og samtidig sikre, at patientoplysninger forbliver private?
Et multidisciplinært forskerhold ledet af Duke University (sammensat af Duke elektriske og computeringeniørfakultetsmedlemmer Hai Li og Lawrence Carin, biostatistik- og bioinformatikfakultetet David Page og Erich Huang og samarbejdspartnere ved University of Pittsburgh og UMPC (Heng Huang, Wei Chen, Samuel Dickson, Ying Ding og Liang Zhan) er på vej til at besvare det spørgsmål. Holdet har modtaget en ny $1 million National Science Foundation (NSF) Convergence Accelerator-bevilling til at udvikle en sundhedsmodel-delings- og læringsplatform ved navn LEARNER.
Det NSF Convergence Accelerator-program blev lanceret i 2019 for at hjælpe med hurtig overgang til forskning og opdagelse i overensstemmelse med NSF's "store ideer" ud i praksis. I 2020 fortsætter NSF med at investere i to transformative forskningsområder af national betydning—kvanteteknologi og kunstig intelligens (AI)—for at sikre, at teknologiske fremskridt på disse områder har en positiv indvirkning på samfundet.
Det NSF Convergence Accelerator-program blev lanceret i 2019 for at hjælpe med hurtig overgang til forskning og opdagelse i overensstemmelse med NSF's "store ideer" ud i praksis.
"Kvanteteknologien og AI-drevne data- og modeldelingsemner blev valgt baseret på input fra fællesskabet og identificerede føderale forsknings- og udviklingsprioriteter," sagde Douglas Maughan, leder af NSF Convergence Accelerator-programmet. "Dette er programmets anden kohorte, og vi er glade for, at disse teams kan bruge konvergensforskning og innovationscentreret fundament til at fremskynde løsninger, der har en positiv samfundsmæssig indvirkning."
Li er overbevist om, at hendes teams arbejde vil opnå præcis det ved at hjælpe med at imødekomme det presserende nationale behov for effektive og sikre teknologier, der realiserer det fulde potentiale af big data i sundhedsvæsenet, samtidig med at FAIR (findbar, tilgængelig, interoperabel, genanvendelig) dataprincipper behandles og håndtere de høje beregningskrav til maskinlæringsalgoritmer. Den nye platform vil også omfatte et depot, hvor data og metadata sikkert kan indsamles og deles.
Duke professor i elektro- og computerteknik Hai Li
"Vores projekt vil fundamentalt fremme AI-drevne sundhedsinnovationer og accelerere brugsinspireret konvergensforskning inden for sundhedsdatavidenskab gennem infrastrukturudvikling og implementering af rammer," sagde Li, en maskinlæringsekspert, der medleder Center for Alternativ Bæredygtig og Intelligent Computing (ASIC), et NSF industri-universitet kooperativt forskningscenter med hovedkontor i Duke. "LEARNER-platformen vil understøtte kollaborativ deling og læring af sundhedsdatavidenskabelige modeller, forhindre lækage af databeskyttelse og levere kompleks data- og eksekveringsstyring for at forbedre reproducerbarheden af komplekse sundhedsdataanalyser."
I løbet af de næste ni måneder vil 2020-kohortens Convergence Accelerator-teams arbejde på at udvikle deres indledende koncept, identificere nye teammedlemmer og deltage i innovationspensum med fokus på menneskecentreret design, teamvidenskab og pitchforberedelse og præsentationscoaching. Efter at have udviklet en indledende prototype, vil holdene deltage i en pitch-konkurrence og forslagsevaluering. Hold udvalgt til fase to vil være berettiget til yderligere finansiering - op til $5 millioner i en periode på 24 måneder.
Ved afslutningen af fase to forventes teams at levere effektive løsninger, der påvirker samfundets behov i stor skala.
(C) Duke University
Original artikelkilde: WRAL TechWire