Zwermanalyse combineert grootschalige gegevensanalyse met behoud van privacy Nieuwe AI-technologie voor decentrale analyse Big Data

Zwermleren (swarm learning) kan de samenwerking en informatie-uitwisseling op het gebied van onderzoek aanzienlijk verbeteren mét behoud van de privacy, schrijft een internationaal onderzoeksteam met onderzoekers van het radboudumc in Nature.

Snel en betrouwbaar een ernstige ziekte vaststellen is een belangrijk doel van precisiegeneeskunde (precision medicine). De analyse van grote hoeveelheden informatie - Big Data – draagt sterk bij aan de ontwikkeling van persoonsgerichte behandelingen. Maar er gaapt een kloof tussen wat technisch mogelijk is en wat de privacywetgeving toelaat. Niet alles wat kan, is geoorloofd. Onderzoekers van het Deutsches Zentrum für Neurodegenerative Erkrankungen (DZNE), de Universiteit Bonn, Hewlett Packard Enterprise (HPE) en onderzoeksinstellingen uit Griekenland, Duitsland en Nederland (het Radboudumc) beschrijven in Nature een aanpak waarmee die kloof mogelijk gedicht kan worden. Het gaat om een decentrale vorm van Artificiële Intelligentie (AI), waarin machine learning en blockchain belangrijke rollen vervullen. Deze vorm van AI wordt swarm learning genoemd, ofwel zwermleren. Vergelijk het met mieren of bijen. Eén mier is ‘dom’, een mierenkolonie ‘slim’. Het is het collectieve gedrag, de interactie tussen alle individuele mieren die tot een intelligent systeem leidt.

Web zonder spin

Onderzoeksleider Joachim Schultze over de AI met zwermintelligentie: “Zwermleren vindt plaats op basis van regels die alle partners in de zwerm van tevoren hebben afgesproken. Deze regels zijn vastgelegd in een blockchain; een soort digitaal protocol dat de informatie-uitwisseling tussen de partners regelt, alle gebeurtenissen documenteert en alle partijen toegang verschaft. De blockchain is de ruggengraat van zwermleren. Zo blijven alle onderzoeksgegevens op de eigen locaties. Alleen algoritmen en parameters worden gedeeld, waardoor zwermleren voldoet aan de privacy- en gegevensbescherming. Verder hebben alle partners in de zwerm gelijke rechten en is er geen centrale ‘spin’ die normaal het complete dataweb controleert en invloed op de resultaten kan uitoefenen.”

Herkenning van profielen en patronen

Maar werkt dat zwermleren; is het effectief? De onderzoeksgroep testte met het systeem bij vier ziekten: COVID-19, tuberculose en twee verschillende vormen van leukemie (acute myeloïde leukemie en acute lymfatische leukemie). Van de vier aandoeningen waren gegevens van de genactiviteit (het transcriptoom) van bloedcellen van patiënten en gezonde controles beschikbaar, van COVID-19 en tuberculose ook longfoto’s. De aangeleerde patroonherkenning voor ‘ziek’ of ‘gezond’ werd vervolgens gebruikt om verdere gegevens te classificeren. Het algoritme wist uiteindelijk in ongeveer 90 procent van de gevallen een juist onderscheid te maken tussen gezonde en zieke individuen. Bij de longfoto’s varieerde het resultaat tussen 76 tot 86 procent.

COVID-19: genactiviteit in witte bloedcellen

Vanuit het Radboudumc droegen Mihai Netea van de afdeling Interne Geneeskunde en Peter Pickkers en Matthijs Kox van de afdeling Intensive Care (IC) bij aan deze studie. De onderzoekers op de Nijmeegse IC verzamelden het afgelopen jaar een groot aantal gegevens van alle ernstig zieke COVID-19 patiënten die op hun afdeling werden opgenomen. Tijdens het ziektebeloop werden bij deze patiënten veel klinische gegevens verzameld en op meerdere tijdstippen werd het profiel van de genactiviteit (het transcriptoom) in hun witte bloedcellen bepaald. Zo’n profiel laat zien welke genen in de bloedcellen aan het werk zijn en hoe die activiteit verandert in de tijd. Deze gegevens werden gebruikt om de zwermleer algoritmen te trainen en te evalueren. Vervolgens bleek dat zwermleren COVID-19 heel nauwkeurig kan afleiden uit deze profielen van genactiviteit.

Boost voor medisch onderzoek

Kox: “Onze resultaten laten zien dat zwermleren gebruikt kan worden bij uitbraken van infectieziekten om de aan- of afwezigheid van een bepaalde infectie vast te stellen. Het unieke aspect van deze technologie is dat het werkt via de blockchain, waardoor grote hoeveelheden gegevens uit de hele wereld gecombineerd kunnen worden op een veilige, snelle en anonieme manier. Daarmee wordt de kracht om snel de juiste diagnoses te stellen echt enorm vergroot. Niet alleen voor infectieziekten trouwens. De technologie is voor allerlei andere gebieden te gebruiken, zoals bij het detecteren van afwijkingen op longfoto’s of hersenscans.” Schultze voegt eraan toe: “Ik ben ervan overtuigd dat zwermleren een enorme boost kan geven aan medisch onderzoek en andere data gedreven disciplines. De huidige studie was slechts een test. We zijn van plan deze technologie in de toekomst toe te passen op de ziekte van Alzheimer en andere neurodegeneratieve ziekten.”

­­­­­­­­­­­­­­­­­­­­-

Publicatie in Nature: Swarm Learning for decentralized and confidential clinical machine learning - Stefanie Warnat-Herresthal*, Hartmut Schultze*, Krishnaprasad Lingadahalli Shastry, Sathyanarayanan Manamohan, Saikat Mukherjee*, Vishesh Garg*, Ravi Sarveswara, Kristian Händler*, Peter Pickkers*, N. Ahmad Aziz*, Sofia Ktena*, ……………., Philip Rosenstiel, Mihai G. Netea, Fabian Theis, Sach Mukherjee, Michael Backes, Anna C. Aschenbrenner, Thomas Ulas, German COVID-19 OMICS Initiative (DeCOI), Monique M.B. Breteler#, Evangelos J. Giamarellos-Bourboulis#, Matthijs Kox#, Matthias Becker#, Sorin Cheran#, Michael S. Woodacre#, Eng Lim Goh#, Joachim L. Schultze#

* gedeelde eerste auteur, # gedeelde laatste auteur

Nature (2021), DOI: 10.1038/s41586-021-03583-3, URL: https://www.nature.com/articles/s41586-021-03583-3

• Meer weten over deze onderwerpen? Klik dan via onderstaande buttons door naar meer nieuws.

  Nieuws homepage Patientenzorg en Nieuws en verhalen