Privacy-Preserving Detection of Rare Disease-Associated Cell Subsets via Secure Multi-Party Computation
Dieses Papier schlägt ein Framework für sichere Mehrparteienberechnung vor, das das datenschutzfreundliche Training und die Inferenz des CellCnn-Modells auf Secret-Shared-Einzelzelldaten ermöglicht, wodurch Institutionen kollaborativ seltene krankheitsassoziierte Zellsubsets mit hoher Genauigkeit detektieren können, ohne sensible Patienteninformationen preiszugeben.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der mikroskopischen Welt in unserem Körper hängt Gesundheit und Krankheit oft vom Vorhandensein einiger weniger spezifischer Zellen ab, die sich unter Millionen anderer verstecken. Stellen Sie sich vor, Sie suchen nach einem einzigen, einzigartigen Sandkorn auf einem riesigen Strand; dies ist die Herausforderung, vor der Wissenschaftler stehen, wenn sie versuchen, seltene Zellpopulationen zu finden, die die frühen Stadien einer Leukämie oder einer Virusinfektion signalisieren. Moderne Technologie hat Forschern die Möglichkeit gegeben, Dutzende von Proteinen auf tausenden einzelnen Zellen gleichzeitig zu messen und so eine hochauflösende Karte des Immunsystems zu erstellen. Doch genau die Daten, die diese Entdeckungen ermöglichen, sind auch zutiefst persönlich. Sie können den Krankheitsstatus, die Immunhistorie und sogar genetische Veranlagungen einer Person offenbaren. Aufgrund dieser Sensibilität verhindern strenge Datenschutzgesetze, dass Krankenhäuser ihre Patientendaten einfach untereinander teilen. Dies schafft einen frustrierenden Engpass: Um diese seltenen Zellen zuverlässig zu finden, müssen Wissenschaftler Computermodelle an großen, vielfältigen Patientengruppen trainieren, aber sie dürfen die Daten, die dafür erforderlich sind, rechtlich gesehen nicht zusammenführen.
Ein Forschungsteam hat nun einen neuen Weg entwickelt, um dieses Rätsel zu lösen, der es Krankenhäusern ermöglicht, bei der Suche nach diesen seltenen Zellen zusammenzuarbeiten, ohne jemals die Rohdaten ihrer Patienten zu sehen. Ihre Arbeit konzentriert sich auf eine spezielle Art der künstlichen Intelligenz namens CellCnn, die darauf ausgelegt ist, diese seltenen Zelluntergruppen aufzuspüren. Die Forscher bauten ein sicheres System, das mehrere Computer ermöglicht, gemeinsam an einem geteilten mathematischen Problem zu arbeiten, während die eigentlichen Zahlen verborgen bleiben. Sie erreichten dies, indem sie jedes Stück der Daten in zufällige, bedeutungslose Fragmente aufteilten und diese an verschiedene Rechenserver verteilten. Diese Server führen die komplexen Berechnungen durch, die für das Training der KI an den Fragmenten erforderlich sind, wobei sie nur untereinander kommunizieren, um ihre Ergebnisse zu kombinieren. Zu keinem Zeitpunkt sieht ein einzelner Server oder auch die Forscher selbst die ursprünglichen Patientendaten oder die Zwischenschritte der Berechnung. Das System ist so konzipiert, dass das Endergebnis genauso genau ist, als wären die Daten offen kombiniert worden, während die Privatsphäre jedes Einzelnen gewahrt bleibt.
Das Team testete seine Methode an realen Datensätzen, die Infektionen mit dem Cytomegalievirus und akute myeloische Leukämie betrafen. In diesen Tests verglichen sie ihr sicheres System mit der standardmäßigen, nicht-privaten Version der KI sowie mit einem früheren datenschutzorientierten Versuch. Die Ergebnisse zeigten, dass ihr sicherer Ansatz krankheitsassoziierte Zellen mit nahezu der gleichen Präzision identifizieren konnte wie die Standardmethode. Beispielsweise erreichte ihr System bei der Suche nach Zellen, die mit einer Virusinfektion in Verbindung stehen, eine Genauigkeit von etwa 73 Prozent, was praktisch identisch mit der nicht-privaten Version war. Im Gegensatz dazu schnitt eine frühere datenschutzwahrende Methode, die das „Gehirn“ der KI vereinfachen musste, um mit Verschlüsselung zu funktionieren, merklich schlechter ab und sank auf etwa 63 Prozent Genauigkeit. Das neue System war in der Lage, komplexe Teile der KI, wie etwa Aktivierungsschritte, die dem Computer helfen, Muster zu lernen, beizubehalten, welche die ältere Methode verwerfen musste.
Über die Klassifizierung hinaus demonstrierten die Forscher, dass ihr sicheres System auch eine schwierigere Aufgabe bewältigen konnte: die genaue Schätzung, wie viele seltene Krebszellen in einer Probe vorhanden sind. Dies ist entscheidend für die Überwachung von Patienten mit minimaler Resterkrankung, bei denen Ärzte wissen müssen, ob nach der Behandlung noch eine winzige Anzahl von Krebszellen verbleibt. Das sichere System sagte den Anteil dieser seltenen Zellen mit einer Korrelation von 0,98 gegenüber den wahren Werten voraus, ein Leistungsniveau, das eng dem Standardmodell der nicht-privaten Version entsprach. Diese Fähigkeit besaß die vorherige datenschutzwahrende Methode überhaupt nicht. Die Forscher maßen auch, wie lange der Prozess dauerte, und stellten fest, dass das Training eines Modells in einem lokalen Netzwerk etwa 20 Minuten dauerte, wobei die Geschwindigkeit stark von der Bandbreite der Verbindung zwischen den Computern abhing.
Die Studie bestätigt, dass es möglich ist, leistungsstarke medizinische KI-Modelle auf sensiblen Daten zu trainieren, ohne die Privatsphäre der Patienten zu gefährden. Durch den Einsatz einer Technik, bei der Daten in geheimen Fragmenten statt als Ganzes geteilt werden, zeigten die Forscher, dass Krankenhäuser effektiv zusammenarbeiten können, ohne gegen Datenschutzbestimmungen zu verstoßen. Während das aktuelle System davon ausgeht, dass die Rechenserver die Regeln befolgen und nicht vom Protokoll abweichen, bietet die Arbeit eine starke Grundlage für die zukünftige medizinische Forschung. Sie weist den Weg, wie die kollektive Kraft vieler Krankenhäuser genutzt werden kann, um seltene Krankheiten zu erkennen, während gleichzeitig sichergestellt wird, dass die privaten Details einzelner Patienten während des gesamten Prozesses vollständig verborgen bleiben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.