Duke leder $1M-ansträngningen för att utforska sätt att hålla patientdata säkra under dagar med AI

Publiceringsdatum: 21 september 2020

DURHAM – En helt ny värld av hälsovårdsinsikter är till hands, tack vare snabbt utvecklande maskininlärningstekniker som kan analysera stora mängder data. Men hur kan vi effektivt utnyttja denna värdefulla information samtidigt som vi säkerställer att patientinformationen förblir privat?

Ett multidisciplinärt forskarlag som leds av Duke University (bestående av Duke elektriska och datortekniska fakultetsmedlemmar Hai Li och Lawrence Carin, biostatistik- och bioinformatikfakulteten David Page och Erich Huang, och medarbetare vid University of Pittsburgh och UMPC (Heng Huang, Wei Chen, Samuel Dickson, Ying Ding och Liang Zhan) är på väg att svara på den frågan. Teamet har fått ett nytt $1 miljoner National Science Foundation (NSF) Convergence Accelerator-anslag för att utveckla en hälsomodell för att dela och lära sig plattformen LEARNER.

De NSF Convergence Accelerator-program lanserades 2019 för att hjälpa till att snabbt övergå forskning och upptäckter i linje med NSF:s "stora idéer" i praktiken. Under 2020 fortsätter NSF att investera i två transformativa forskningsområden av nationell betydelse—kvantteknologi och artificiell intelligens (AI)—för att säkerställa att tekniska framsteg inom dessa områden har en positiv inverkan på samhället.

De NSF Convergence Accelerator-program lanserades 2019 för att hjälpa till att snabbt övergå forskning och upptäckter i linje med NSF:s "stora idéer" i praktiken.

"Kvantteknologin och AI-drivna data- och modelldelningsämnen valdes baserat på gemenskapsinput och identifierade federala forsknings- och utvecklingsprioriteringar", säger Douglas Maughan, chef för NSF Convergence Accelerator-programmet. "Detta är programmets andra kohort och vi är glada över att dessa team ska använda konvergensforskning och innovationscentrerade grunder för att påskynda lösningar som har en positiv samhällspåverkan."

Li är övertygad om att hennes teams arbete kommer att uppnå exakt det, genom att hjälpa till att möta det akuta nationella behovet av effektiva och säkra teknologier som realiserar den fulla potentialen av big data inom hälso- och sjukvården samtidigt som de tar itu med FAIR (finnbar, tillgänglig, interoperabel, återanvändbar) dataprinciper och hantera de höga beräkningskraven för maskininlärningsalgoritmer. Den nya plattformen kommer också att innehålla ett arkiv där data och metadata säkert kan samlas in och delas.

Duke professor i elektro- och datateknik Hai Li

"Vårt projekt kommer i grunden att främja AI-drivna hälsoinnovationer och påskynda användningsinspirerad konvergensforskning inom hälsodatavetenskap genom infrastrukturutveckling och ramverksimplementering", säger Li, en maskininlärningsexpert som är medledare för Center for Alternative Sustainable and Intelligent Computing (ASIC), ett NSF industri-universitet kooperativ forskningscenter med huvudkontor i Duke. "LEARNER-plattformen kommer att stödja samarbetande hälsodatavetenskaplig modelldelning och inlärning, förhindra dataintegritetsläckage och tillhandahålla komplex data- och exekveringshantering för att förbättra reproducerbarheten av komplex hälsodataanalys."

Under de kommande nio månaderna kommer 2020-kohortens Convergence Accelerator-team att arbeta med att utveckla sitt initiala koncept, identifiera nya teammedlemmar och delta i innovationsläroplanen med fokus på människocentrerad design, teamvetenskap och pitchförberedelse och presentationscoaching. Efter att ha utvecklat en första prototyp kommer teamen att delta i en pitchtävling och förslagsutvärdering. Lag som väljs ut för fas två kommer att vara berättigade till ytterligare finansiering — upp till $5 miljoner under en period av 24 månader.

I slutet av fas två förväntas teamen leverera högeffektiva lösningar som påverkar samhällets behov i stor skala.

(C) Duke University

Ursprunglig artikelkälla: WRAL TechWire