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).
