Duke johtaa $1M-yritystä, joka tutkii tapoja pitää potilastiedot turvassa tekoälyn päivinä
Julkaisupäivä:DURHAM – Kokonaan uusi terveydenhuollon oivallusten maailma on ulottuvillamme nopeasti kehittyvien koneoppimistekniikoiden ansiosta, jotka pystyvät analysoimaan valtavia tietomääriä. Mutta kuinka voimme tehokkaasti hyödyntää näitä arvokkaita tietoja ja varmistaa samalla, että potilastiedot pysyvät yksityisinä?
Duke Universityn johtama monitieteinen tutkimusryhmä (johon kuuluvat Duken sähkö- ja tietokonetekniikan tiedekunnan jäsenet Hai Li ja Lawrence Carin, biostatistiikan ja bioinformatiikan tiedekunta David Page ja Erich Huang sekä yhteistyökumppanit Pittsburghin yliopistossa ja UMPC:ssä (Heng Huang, Wei Chen, Samuel Dickson, Ying Ding ja Liang Zhan) ovat valmiina vastaamaan tähän kysymykseen. Ryhmä on saanut uuden $1 miljoonan National Science Foundationin (NSF) Convergence Accelerator -avustuksen kehittääkseen LEARNER-nimisen terveysmallin jakamis- ja oppimisalustan.
The NSF Convergence Accelerator -ohjelma lanseerattiin vuonna 2019, jotta tutkimus- ja löytötyöt siirtyisivät nopeasti yhteen NSF:n "suuret ideat" käytäntöön. Vuonna 2020 NSF jatkaa investointeja kahteen valtakunnallisesti merkittävään transformatiiviseen tutkimusalueeseen:kvanttiteknologia ja tekoäly (AI) — varmistaa, että teknologisella kehityksellä näillä aloilla on myönteinen vaikutus yhteiskuntaan.
The NSF Convergence Accelerator -ohjelma lanseerattiin vuonna 2019, jotta tutkimus- ja löytötyöt siirtyisivät nopeasti yhteen NSF:n "suuret ideat" käytäntöön.
"Kvanttiteknologia ja tekoälyyn perustuvat datan ja mallien jakamisen aiheet valittiin yhteisön panoksen perusteella ja määriteltiin liittovaltion tutkimus- ja kehitysprioriteetit", sanoi Douglas Maughan, NSF Convergence Accelerator -ohjelman johtaja. "Tämä on ohjelman toinen kohortti, ja olemme innoissamme, että nämä tiimit voivat käyttää konvergenssitutkimukseen ja innovaatiokeskeisiin perustekijöihin vauhdittaakseen ratkaisuja, joilla on myönteinen yhteiskunnallinen vaikutus."
Li on vakuuttunut siitä, että hänen tiiminsä työ saavuttaa juuri tämän auttamalla vastaamaan kiireelliseen kansalliseen tarpeeseen tehokkaista ja turvallisista teknologioista, jotka hyödyntävät suuren datan koko potentiaalia terveydenhuollossa samalla kun noudatetaan FAIR-datan periaatteita (findable, accessible, interoperable, reusable) ja koneoppimisalgoritmien korkeiden laskentavaatimusten käsittely. Uusi alusta sisältää myös arkiston, jossa dataa ja metadataa voidaan kerätä ja jakaa turvallisesti.
Duke sähkö- ja tietokonetekniikan professori Hai Li
"Projektimme edistää perusteellisesti tekoälyyn perustuvia terveysinnovaatioita ja nopeuttaa käyttövaikutteista konvergenssitutkimusta terveysdatatieteessä infrastruktuurin kehittämisen ja puitteiden käyttöönoton avulla", sanoi Li, koneoppimisen asiantuntija, joka ohjaa Vaihtoehtoisen kestävän ja älykkään tietojenkäsittelyn keskus (ASIC), NSF:n teollisuuden ja yliopiston yhteistyötutkimuskeskus, jonka pääkonttori on Duke. "LEARNER-alusta tukee yhteistyöhön perustuvaa terveystietomallien jakamista ja oppimista, ehkäisee tietosuojan vuotoja ja tarjoaa monimutkaisen datan ja suoritusten hallinnan monimutkaisten terveystietojen analytiikan toistettavuuden parantamiseksi."
Seuraavien yhdeksän kuukauden aikana vuoden 2020 kohortti Convergence Accelerator -tiimit pyrkivät kehittämään alkuperäistä konseptiaan, tunnistamaan uusia tiimin jäseniä ja osallistumaan innovaatio-opetusohjelmaan, joka keskittyy ihmiskeskeiseen suunnitteluun, tiimitieteeseen sekä pitch-valmistelu- ja esittelyvalmennukseen. Ensimmäisen prototyypin kehittämisen jälkeen joukkueet osallistuvat pitch-kilpailuun ja ehdotusten arviointiin. Vaiheeseen kaksi valitut joukkueet ovat oikeutettuja lisärahoitukseen – enintään 1 TP4T5 miljoonaa 24 kuukauden ajan.
Toisen vaiheen loppuun mennessä ryhmien odotetaan toimittavan vaikuttavia ratkaisuja, jotka vaikuttavat yhteiskunnallisiin tarpeisiin laajasti.
(C) Duken yliopisto
Alkuperäinen artikkelin lähde: WRAL TechWire