SELECTED: Gepersonaliseerde zorg door de inzet van data met aandacht voor privacy en veiligheid

Toegang tot meer data in de gezondheidszorg betekent het vergroten van overlevingskansen. Door diverse data te kunnen koppelen, is een algoritme in staat te leren welke factoren de impact van behandelingen en overlevingskansen van kankerpatiënten beïnvloeden.

In de praktijk betekent het dat deze data vaak bij verschillende partijen in diverse bronnen is opgeslagen. Om deze data veilig en privacy-vriendelijk te kunnen koppelen en analyseren, is het essentieel dat algoritmes worden getraind zonder de onderliggende data vanuit de diverse bronnen met elkaar te hoeven delen. In dit project zijn medische persoonsgegevens gerelateerd aan longkanker het uitgangspunt en worden er nieuwe proof-of-concept oplossingen ontwikkeld, geïmplementeerd en getest op basis van fictieve data.

Inzet van Artificiële Intelligentie (AI)

Binnen het project worden verschillende AI-innovaties ingezet, zoals Multi-Party Computation (MPC) en Federated Learning (FL). MPC is een verzameling aan cryptografische technieken, waarmee verschillende partijen gezamenlijk analyses kunnen uitvoeren op hun data, zonder deze data met elkaar of met anderen te hoeven delen. Hiermee kunnen zowel eenvoudige analyses als AI-algoritmes worden toegepast zonder de privacy te schenden. Federated Learning lost het privacyprobleem op door de analyses naar de data te brengen in plaats van de data naar de analyses. De analyses worden opgeknipt in kleine deelberekeningen die lokaal worden uitgevoerd door de verschillende partijen. Na het uitvoeren van een lokale berekening worden alleen de (tussen)resultaten met één of meerdere partijen gedeeld. De gevoelige data wordt als gevolg hiervan met niemand gedeeld en blijft bij de bron.

Welke uitdaging lost het op?

De ambitie van het project is het mogelijk maken van analyses van data op een veilige, schaalbare en privacy-vriendelijke manier (met specifieke focus op de toepassing voor longkanker). Combinaties van de AI-innovaties Multi-Party Computation en Federated Learning genereren op deze manier uiteindelijk meer inzicht in welke factoren de impact van behandelingen en overlevingskansen van kankerpatiënten beïnvloeden.

Wat levert de use case op?

Het beoogde resultaat is de ontwikkeling van generieke en schaalbare privacy-vriendelijke open source tooling, gebaseerd op Multi-Party Computation en Federated Learning. In het project wordt aangetoond dat de tools kunnen worden ingezet bij longkanker om nieuwe inzichten mogelijk te maken op basis van meerdere databronnen. De ontwikkelde oplossingen zullen generiek inzetbaar zijn voor allerlei toepassingen, waarin AI-algoritmes moeten worden getraind op gevoelige data van meerdere partijen.

Eerste resultaten

  • Mede dankzij het project SELECTED is er een aantal nieuwe Multi-Party Computation componenten en oplossingen open source gepubliceerd, die ingezet kunnen worden voor het ontwikkelen van veilige analyses op gedistribueerde datasets. Deze zijn nu beschikbaar voor iedereen om mee te experimenteren en op door te bouwen, en zullen in de toekomst verder worden uitgebreid, onder andere met implementaties van AI-algoritmen.
  • IKNL en TNO hebben gezamenlijk een wetenschappelijk artikel ingediend over hun resultaten rondom gebruik van Multi-Party Computation voor het kunnen trainen van het Cox Proportional Hazards Model op gedistribueerde datasets zonder privacy te schenden. Dit is in het medische domein een veelgebruikt model om te bepalen wat de invloed is van bepaalde factoren (zoals tumorkarakteristieken en patiëntkarakteristieken) op de overlevingskans.
  • In een special issue van ERCIM News over privacy preserving computation hebben TNO en IKNL een gezamenlijk kort artikel geschreven over het gebruik van Multi-Party Computation voor specifieke overlevingsanalyses (in dit geval: Kaplan-Meier) en hun toepassing in het medische domein.

Samenwerkingspartners

Dit project is onderdeel van het Appl.AI programma van TNO en wordt mede gefinancierd vanuit de startimpuls die de NL AIC ontving van het kabinet voor onderzoek naar en het ontwikkelen van AI-toepassingen. SELECTED staat voor ‘Secure Learning for oncology on vertically partitioned data’ en wordt ontwikkeld door TNO in samenwerking met IKNL en andere partners (via het aanpalende project LANCELOT dat mede gefinancierd wordt door Holland High Tech).

 

Delen via:
Share on linkedin
Share on twitter
Share on whatsapp
Share on email
Share on print
Share on facebook

Meer informatie

Bouwstenen

De NL AIC werkt samen aan de benodigde kennis, expertise en resultaten op vijf thema’s, ook wel bouwstenen genoemd, die belangrijk zijn voor een innovatieve impact in economische en maatschappelijke toepassingsgebieden.

Toepassingsgebieden

AI is een generieke technologie die uiteindelijk haar toepassing vindt in alle sectoren. Het is van belang in te zetten op specifieke, voor Nederland relevante sectoren, waar goede resultaten te behalen zijn en waar kennis en ervaring opgeschaald kan worden voor toepassing in andere sectoren.

Word deelnemer

Om initiatieven in Artificial Intelligence te stimuleren en te verbinden, zijn we er als Nederlandse AI Coalitie van overtuigd dat een actieve samenwerking met een breed palet aan stakeholders essentieel is. In het eigen vakgebied en met andere stakeholders in het ecosysteem om een zo groot mogelijke impact te bereiken voor de ontwikkeling en toepassing van AI in Nederland. Vertegenwoordigers uit het bedrijfsleven (groot, klein, startup), overheid, onderzoeks- en onderwijsinstellingen en maatschappelijke organisaties kunnen deelnemen.

Geïnteresseerd? Kijk voor meer informatie op de pagina over de NL AIC.