Engineering FAIR Privacy-preserving Applications that Learn Histories of Disease

Dit project demonstreert een privacy-bewuste architectuur voor generatieve AI in de geneeskunde door een model voor het voorspellen van ziektegeschiedenissen volledig client-side in de browser te implementeren, waarbij de 'Accessibility'-component van de FAIR-principes wordt getoetst.

De kern

Stel je voor dat je een zeer slimme, digitale arts hebt die kan voorspellen hoe een ziekte zich in de toekomst kan ontwikkelen bij een specifieke persoon. Deze "arts" is een kunstmatige intelligentie (AI) genaamd Delphi 2M. Normaal gesproken moet je om deze arts te raadplegen, al je medische gegevens (zoals je ziektegeschiedenis) naar een grote, centrale computer in de cloud sturen. Dat voelt voor veel mensen onveilig, alsof je je geheime dagboek aan een vreemde geeft om te lezen.

Dit artikel beschrijft een ingenieus project dat dit probleem oplost. Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Grote Reiziger"

Stel je voor dat de slimme AI een reusachtige, zware koffer is met alle kennis die hij nodig heeft.

• De oude manier: Je moet die zware koffer per post naar een centraal postkantoor (de cloud) sturen. Daar leest een medewerker je medische gegevens, vult ze in de koffer in, en stuurt het antwoord terug. Het nadeel? Je gegevens reizen mee en zijn onderweg kwetsbaar.
• Het doel: De auteurs wilden die koffer niet meer versturen. Ze wilden dat de koffer bij jou thuis bleef, zodat niemand anders je gegevens zag.

2. De Oplossing: De "Zwevende Koffer" (ONNX)

De uitdaging was: die koffer was gemaakt voor een specifiek type postkantoor (Python/PyTorch servers) en paste niet in een gewone huiskamer (jouw webbrowser).

De ingenieurs gebruikten een magische talenvertaler genaamd ONNX.

• De Analogie: Stel je voor dat de AI-koffer oorspronkelijk alleen in het Frans werd gebouwd. Om hem in een Nederlandse huiskamer te laten werken, bouwden ze een universele adapter. Deze adapter zorgt ervoor dat de koffer nu in elke taal (of softwareomgeving) kan werken, zelfs in je webbrowser, zonder dat je iets hoeft te downloaden of te installeren.
• In de techwereld noemen ze dit Interoperability (het kunnen samenwerken van verschillende systemen).

3. De Uitvoering: De "Thuis-Apotheker"

Dankzij deze adapter kon de AI volledig op jouw eigen computer draaien.

• Hoe het werkt: Je opent een website. Je typt je medische geschiedenis in (bijvoorbeeld: "Ik had op mijn 30e astma, op mijn 40e diabetes").
• De magie: In plaats van die data naar een server te sturen, gebeurt er een wonder in je browser. De AI (die nu als een klein, snel programmaatje in je browser werkt) rekent direct op jouw eigen scherm uit wat er waarschijnlijk in de toekomst gaat gebeuren.
• Het resultaat: Je ziet een voorspelling van je gezondheidstraject, maar geen enkel stukje van je data heeft je computer verlaten. Het is alsof je een receptie hebt bij een dokter die in je eigen huis komt, in plaats van dat je naar het ziekenhuis moet.

4. Waarom is dit belangrijk? (De FAIR-principes)

De auteurs verwijzen naar de FAIR-principes (Vindbaar, Toegankelijk, Interoperabel, Herbruikbaar).

• Ze hebben vooral de Herbruikbaarheid (Reusability) verbeterd.
• Vergelijking: Vroeger was de AI een dure, ingewikkelde machine die alleen in een fabriek (de universiteit) stond. Nu hebben ze er een portable koffiezetapparaat van gemaakt dat iedereen in zijn eigen keuken kan gebruiken, zonder dat hij de koffiebonen (je data) hoeft te delen met de fabriek.

5. De beperkingen en de toekomst

De auteurs zijn eerlijk: de versie die ze nu hebben gebouwd is getraind op synthetische data (dus op "nep-patiënten" die door computers zijn bedacht, niet op echte mensen). Het is dus nog een proefversie.

• De toekomst: Ze hopen dat ze in de toekomst de echte AI kunnen gebruiken, maar dan nog steeds veilig op jouw apparaat. Ze denken zelfs na over hoe de AI van jou kan leren (zodat hij slimmer wordt) zonder dat hij ooit hoeft te zien wat je precies hebt ingetoetst.

Samenvattend

Dit artikel laat zien dat we slimme AI kunnen maken die privacy respecteert. Door slimme techniek (zoals ONNX en WebAssembly) te gebruiken, kunnen we zware AI-modellen verplaatsen van de "wolk" naar jouw eigen scherm. Het is alsof we de sleutel van de AI-koffer hebben gekopieerd en aan jou hebben gegeven, zodat jij zelf je eigen gezondheid kunt voorspellen, zonder dat iemand anders je dagboek hoeft te lezen.

Technische samenvatting

Probleemstelling

Het voorspellen van gezondheidsverloop (zoals morbiditeitsrisico's) met generatieve AI-modellen, zoals de Delphi 2M transformer, biedt enorme kansen voor gepersonaliseerde geneeskunde. Echter, de huidige implementatie van deze modellen vereist meestal dat patiëntgegevens naar gecentraliseerde cloudservers worden verzonden voor verwerking. Dit creëert ernstige uitdagingen op het gebied van:

• Privacy: Het delen van gevoelige gezondheidsgegevens (EHR) is ethisch en juridisch problematisch.
• Toegankelijkheid: Gebruikers moeten vaak software installeren of complexe cloudomgevingen benaderen.
• FAIR-principes: Hoewel de oorspronkelijke modellen goed gedocumenteerd zijn, ontbreekt het vaak aan Interoperability (I) en Reusability (R) voor directe, veilige toepassing door eindgebruikers zonder data-upload.

Methodologie

Het project had als doel de Delphi 2M-inferentiepijplijn volledig te migreren van een server-side omgeving (PyTorch/GPU) naar een client-side omgeving (JavaScript/WebAssembly) die direct in de browser draait. De aanpak omvatte de volgende stappen:

1. Modelconversie naar ONNX:

   • Het originele model, getraind in PyTorch op basis van het nanoGPT-framework, werd geconverteerd naar het Open Neural Network Exchange (ONNX) formaat.
   • ONNX fungeert als een universele uitwisselingsstandaard die het model loskoppelt van het trainingsframework, waardoor het uitvoerbaar is in verschillende runtime-omgevingen.

2. Client-side Inferentie met WebAssembly (Wasm):

   • De ONNX Runtime werd gecompileerd naar WebAssembly (Wasm). Dit maakt het mogelijk om complexe deep learning-pijplijnen in de browser uit te voeren met bijna native snelheid.
   • Voor GPU-versnelling wordt gebruikgemaakt van WebGPU (indien beschikbaar), terwijl Wasm zorgt voor CPU-gebonden berekeningen.

3. Ontwikkeling van een Custom JavaScript SDK:

   • Een specifieke JavaScript-bibliotheek (SDK) werd ontwikkeld om de laag-level communicatie met de ONNX Runtime Web te beheren.
   • Functies van de SDK:
     • Laden van het ONNX-model en opzetten van de inferentiesessie.
     • Preprocessing: Omzetten van menselijke input (ICD-10 codes, leeftijd) naar gestructureerde numerieke tensors die overeenkomen met de modelinput.
     • Iteratieve Inferentie: De generateTrajectory-functie voert iteratief inferentie uit. Het model voorspelt de waarschijnlijkheid van het volgende medische evenement en de tijd tot dat evenement.
     • Sampling: Er wordt gebruikgemaakt van een "time-to-event" sampling methode: $t_{next} = -e^{logits} \cdot \ln(u)$, waarbij $u$ een willekeurig getal is. Het evenement met de kortste voorspelde tijd wordt geselecteerd en de leeftijd van de patiënt wordt geüpdatet.
     • Postprocessing: Het converteren van ruwe output (logits) terug naar leesbare morbiditeitsrisico's (evenementen en leeftijd in jaren).

4. Gebruikersinterface:

   • De applicatie is gebouwd op ObservableHQ en biedt een interface waar gebruikers hun gezondheidsverloop kunnen invoeren. De voorspellingen worden in realtime gegenereerd en gevisualiseerd zonder enige communicatie met een server voor inferentie.

Belangrijkste Bijdragen

• Privacy-by-Design Architectuur: De eerste demonstratie van een volledig functionele generatieve AI-toepassing voor gezondheidsvoorspelling die geen data verlaat van het apparaat van de gebruiker.
• Technische Implementatie: Een bewijs van concept (PoC) dat de volledige inferentiepijplijn van PyTorch naar JavaScript/ONNX/WebAssembly succesvol heeft gemigreerd.
• Versterking van FAIR-principes: Het project verbetert specifiek de Interoperability (via ONNX) en Reusability (via de SDK en browserdeploy) van het oorspronkelijke onderzoek.
• Open Source Resources: Beschikbaarstelling van de webapplicatie, de SDK, en de code via GitHub en ObservableHQ, wat herbruikbaarheid voor de gemeenschap bevordert.

Resultaten

• Succesvolle Deploy: De Delphi 2M-applicatie draait soepel in webbrowsers op diverse platforms, variërend van mobiele apparaten tot GPU-versnelde desktops.
• Data-isolatie: Gevoelige gezondheidsverlopen blijven uitsluitend op het lokale apparaat van de gebruiker; er vindt geen netwerktransmissie van patiëntdata plaats voor voorspellingen.
• Prestaties: Door het gebruik van ONNX Runtime en WebGPU/Wasm wordt een hoge performance bereikt die vergelijkbaar is met server-side inferentie, maar dan lokaal.
• Validatie: De applicatie is getest met synthetische data (7144 patiënten) en toont aan dat de workflow direct in de browser werkt.

Betekenis en Toekomstperspectief

Dit project bewijst dat het mogelijk is om krachtige generatieve AI-modellen veilig en privacy-bewust in te zetten in de gezondheidszorg. Het biedt een blauwdruk voor het "build once, run anywhere"-paradigma in privacy-gevoelige domeinen.

Beperkingen en Toekomst:

• De huidige prestaties zijn beperkt omdat het model is getraind op een klein subset van synthetische data (in plaats van de volledige 400k real-world trajecten uit het originele werk).
• Toekomstige ontwikkelingen: De auteurs plannen het integreren van client-side fine-tuning (via actief leren of federated learning). Dit zou het model in staat stellen om te verbeteren op basis van gebruikersfeedback, terwijl de gevoelige data strikt lokaal blijft.

Kortom, dit werk legt de basis voor een nieuwe generatie medische AI-toepassingen die niet alleen accuraat zijn, maar ook volledig voldoen aan strenge data-governance en privacy-eisen door de rekenkracht naar de gebruiker te verplaatsen.