Privacy-Preserving Detection of Rare Disease-Associated Cell Subsets via Secure Multi-Party Computation
Dit artikel stelt een framework voor veilige multi-party computation voor dat de privacy-bewuste training en inferentie van het CellCnn-model op met geheime shares voorziene single-cell data mogelijk maakt, waardoor instellingen gezamenlijk zeldzame ziekte-geassocieerde cel-subsets met hoge nauwkeurigheid kunnen detecteren zonder gevoelige patiëntinformatie bloot te leggen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de microscopische wereld binnen ons lichaam hangt gezondheid en ziekte vaak af van de aanwezigheid van een paar specifieke cellen die verscholen liggen tussen miljoenen anderen. Stel je voor dat je op zoek bent naar één enkel, uniek zandkorreltje op een uitgestrekt strand; dit is de uitdaging waarmee wetenschappers worden geconfronteerd wanneer zij proberen zeldzame celpopulaties te vinden die de vroege stadia van leukemie of een virale infectie signaleren. Moderne technologie heeft onderzoekers de mogelijkheid gegeven om tientallen eiwitten op duizenden individuele cellen tegelijkertijd te meten, wat een hoogresolutiekaart van het immuunsysteem creëert. Echter, de gegevens die deze ontdekkingen juist mogelijk maken, zijn ook diep persoonlijk. Ze kunnen de ziektestatus, de immuunhistorie en zelfs de genetische aanleg van een persoon onthullen. Vanwege deze gevoeligheid voorkomen strikte privacywetten dat ziekenhuizen hun patiëntgegevens simpelweg met elkaar delen. Dit creëert een frustrerende flessenhals: om deze zeldzame cellen betrouwbaar te vinden, moeten wetenschappers computermodellen trainen op grote, diverse groepen patiënten, maar zij mogen de gegevens die hiervoor nodig zijn niet legaal samenvoegen.
Een team van onderzoekers heeft nu een nieuwe manier ontwikkeld om dit puzzelstuk op te lossen, waardoor ziekenhuizen kunnen samenwerken aan het vinden van deze zeldzame cellen zonder ooit elkaars ruwe patiëntgegevens te zien. Hun werk richt zich op een specifiek type kunstmatige intelligentie genaamd CellCnn, die is ontworpen om deze zeldzame celsubsets op te sporen. De onderzoekers bouwden een beveiligd systeem waarmee meerdere computers samen kunnen werken aan een gedeeld wiskundig probleem, terwijl de werkelijke getallen verborgen blijven. Ze bereikten dit door elk stukje data op te splitsen in willekeurige, betekenisloze fragmenten en deze te verdelen over verschillende computerservers. Deze servers voeren de complexe berekeningen uit die nodig zijn om de AI op de fragmenten te trainen, waarbij ze alleen met elkaar communiceren om hun resultaten te combineren. Op geen enkel moment ziet een enkele server, of zelfs de onderzoekers zelf, de originele patiëntinformatie of de tussenliggende stappen van de berekening. Het systeem is zo ontworpen dat het eindresultaat net zo nauwkeurig is als wanneer de gegevens openlijk gecombineerd zouden zijn, maar de privacy van elk individu intact blijft.
Het team testte hun methode op echte datasets met betrekking tot cytomegalovirusinfecties en acute myeloïde leukemie. In deze tests vergeleken ze hun beveiligde systeem met de standaard, niet-private versie van de AI en een eerdere privacy-gerichte poging. De resultaten toonden aan dat hun beveiligde aanpak de ziekte-geassocieerde cellen met bijna dezelfde precisie kon identificeren als de standaardmethode. Wanneer men bijvoorbeeld zocht naar cellen die gelinkt zijn aan een virale infectie, behaalde hun systeem een nauwkeurigheid van ongeveer 73 procent, wat vrijwel identiek was aan de niet-private versie. In contrast hiermee presteerde een eerdere privacy-bewarende methode, die de AI's brein moest vereenvoudigen om met encryptie te kunnen werken, merkbaar slechter, met een daling naar ongeveer 63 procent nauwkeurigheid. Het nieuwe systeem was in staat om complexe onderdelen van de AI, zoals activatiestappen die de computer helpen patronen te leren, te behouden, welke de oudere methode moest weggooien.
Naast classificatie toonden de onderzoekers aan dat hun beveiligde systeem ook een moeilijkere taak aan kon: het schatten van exact hoeveel zeldzame kankercellen aanwezig waren in een monster. Dit is cruciaal bij het monitoren van patiënten met minimale residuele ziekte, waarbij artsen moeten weten of er na de behandeling nog een klein aantal kankercellen overblijft. Het beveiligde systeem voorspelde de fractie van deze zeldzame cellen met een correlatie van 0,98 ten opzichte van de werkelijke waarden, een prestatieniveau dat nauw aansloot bij het standaard, niet-private model. Deze capaciteit was iets wat de vorige privacy-bewarende methode helemaal niet kon. De onderzoekers maten ook hoe lang het proces duurde en merkten op dat het trainen van een model op een lokaal netwerk ongeveer 20 minuten duurde, hoewel de snelheid sterk afhankelijk was van de bandbreedte van de verbinding tussen de computers.
De studie bevestigt dat het mogelijk is om krachtige medische AI-modellen te trainen op gevoelige data zonder de privacy van de patiënt in gevaar te brengen. Door gebruik te maken van een techniek waarbij data wordt gedeeld in geheime fragmenten in plaats van als geheel, hebben de onderzoekers aangetoond dat ziekenhuizen effectief kunnen samenwerken zonder de privacyregels te schenden. Hoewel het huidige systeem ervan uitgaat dat de computerservers de regels volgen en niet afwijken van het protocol, biedt het werk een sterke basis voor toekomstig medisch onderzoek. Het suggereert een pad voorwaarts waarbij de collectieve kracht van vele ziekenhuizen kan worden gebruikt om zeldzame ziekten te detecteren, terwijl de private details van individuele patiënten gedurende het hele proces volledig verborgen blijven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.