Engineering FAIR Privacy-preserving Applications that Learn Histories of Disease

Este projeto descreve o desenvolvimento de uma aplicação de IA generativa que roda inteiramente no navegador para prever riscos de morbidade, demonstrando como a arquitetura de inferência no lado do cliente pode viabilizar soluções de saúde personalizadas que respeitam a privacidade e os princípios FAIR, especificamente o de Reutilizabilidade.

O essencial

Imagine que você tem um oráculo médico superinteligente. Ele foi treinado com milhões de histórias de pacientes para prever o futuro da saúde de uma pessoa: "Se você teve isso aos 30, provavelmente terá aquilo aos 50".

O problema é que, até agora, para usar esse oráculo, você precisava enviar seus dados médicos secretos para um "cérebro central" (um servidor na nuvem) lá fora. Isso é como entregar seu diário pessoal para um estranho ler em voz alta para que ele possa te dar conselhos. É útil, mas arriscado para a sua privacidade.

Este artigo conta a história de como os pesquisadores Inês Duarte e sua equipe resolveram esse problema de uma forma brilhante. Eles fizeram o seguinte:

1. O Grande Truque: Levar o Oráculo para Casa

Em vez de enviar seus dados para o oráculo, eles levaram o oráculo para dentro do seu navegador de internet.

Pense nisso como se, em vez de enviar sua carta para o correio para ser lida por um funcionário, você recebesse um carteiro robô que entra na sua sala, lê a carta na sua frente, dá a resposta e sai imediatamente, sem levar nenhum pedaço de papel consigo.

• A Tecnologia Mágica (ONNX): Para fazer isso, eles usaram uma "caixa de ferramentas universal" chamada ONNX. Imagine que o modelo de inteligência artificial original foi construído em uma linguagem de programação complexa (Python) que só funciona em computadores potentes de laboratório. Eles pegaram esse modelo e o "traduziram" para uma linguagem que qualquer navegador de internet (como Chrome ou Firefox) entende, usando uma tecnologia chamada WebAssembly. É como transformar um carro de corrida de Fórmula 1 em um carro que pode rodar em qualquer estrada, inclusive na sua garagem (o seu computador).

2. Como Funciona na Prática?

Eles criaram um aplicativo simples que roda direto no site, sem precisar instalar nada.

1. Você digita: Você entra no site e escreve, por exemplo: "Tive gripe aos 10 anos, diabetes aos 40".
2. O Cérebro Local: O navegador do seu computador usa a sua própria força de processamento (sua CPU ou placa de vídeo) para calcular as previsões.
3. O Resultado: O site mostra: "Baseado no seu histórico, há um risco de desenvolver X aos 55 anos".
4. O Segredo: Nada saiu da sua casa. Seus dados nunca viajaram pela internet. O cálculo aconteceu 100% dentro do seu dispositivo.

3. Por que isso é importante? (O Princípio FAIR)

Os autores falam muito sobre "FAIR" (Findability, Accessibility, Interoperability, Reusability). Em linguagem simples:

• Reutilizável: Eles pegaram um modelo de pesquisa complexo e o transformaram em algo que qualquer pessoa pode usar de novo e de novo, sem precisar ser um cientista de dados.
• Interoperável: Funciona em qualquer lugar (celular, computador, tablet) porque usaram a "linguagem universal" (ONNX).

4. O Que Ainda Precisa Melhorar?

O artigo é honesto sobre as limitações. O "oráculo" que eles estão usando agora foi treinado com dados fictícios (histórias inventadas de pacientes) porque dados reais são muito sensíveis e difíceis de compartilhar.

• A Analogia: É como se eles tivessem treinado um médico usando apenas livros de ficção científica. Ele sabe a teoria, mas ainda não viu pacientes reais suficientes para ser 100% preciso.
• O Futuro: O próximo passo é treinar esse modelo com dados reais (de forma segura) e talvez até permitir que o modelo aprenda com você, mas aprendendo dentro do seu computador, sem nunca enviar seus dados para fora.

Resumo da Ópera

Esta pesquisa é um marco de engenharia. Eles provaram que é possível ter Inteligência Artificial poderosa para cuidar da sua saúde, sem sacrificar sua privacidade.

É como ter um assistente pessoal superinteligente que vive dentro do seu bolso, que sabe tudo sobre medicina, mas que jura por todos os deuses que nunca vai contar a ninguém o que você lhe contou. É o futuro da medicina personalizada: segura, privada e acessível a todos, direto no navegador.

Resumo técnico

Resumo Técnico: Engenharia de Aplicações FAIR de Preservação de Privacidade para Aprender Histórias de Doença

1. O Problema

A modelagem preditiva de trajetórias de saúde, utilizando modelos generativos como o Delphi 2M (baseado em Transformers), oferece um potencial imenso para a medicina personalizada, permitindo prever morbidade e mortalidade futura a partir de registros eletrônicos de saúde (EHR). No entanto, a aplicação prática desses modelos enfrenta barreiras críticas:

• Privacidade e Governança: A implementação tradicional exige o envio de dados sensíveis de pacientes para servidores centralizados na nuvem para processamento, criando riscos éticos, regulatórios e de segurança de dados.
• Acessibilidade e Interoperabilidade: Os modelos originais são frequentemente projetados para ambientes de nuvem ou institucionais, dificultando o acesso direto pelo usuário final sem a necessidade de upload de dados ou instalação de software complexo.
• Princípios FAIR: Há uma necessidade de melhorar a Reutilizabilidade (R) e a Interoperabilidade (I) dos pipelines de inferência, permitindo que os modelos sejam executados em diversos ambientes sem depender do framework de treinamento original.

2. Metodologia

O projeto consistiu na migração completa do pipeline de inferência do modelo Delphi 2M de um ambiente servidor (Python/PyTorch) para um ambiente client-side (navegador web), utilizando uma arquitetura baseada em ONNX (Open Neural Network Exchange).

• Conversão de Modelo: O modelo original, treinado com PyTorch (baseado no framework nanoGPT), foi exportado para o formato ONNX. Este formato atua como um padrão universal de intercâmbio, desacoplando o modelo treinado do seu framework original e permitindo sua execução em diferentes runtimes.
• Execução no Navegador (WebAssembly e WebGPU):
  • O ONNX Runtime foi compilado para WebAssembly (Wasm), permitindo a execução de código de alto desempenho no navegador.
  • O sistema utiliza o WebGPU para aceleração de hardware (GPU) quando disponível, garantindo inferência rápida e eficiente.
• Desenvolvimento de SDK JavaScript: Foi criada uma biblioteca JavaScript personalizada (SDK) para gerenciar a interação com o ONNX Runtime Web. As funções principais incluem:
  • Pré-processamento: Conversão de entradas humanas (histórico de eventos ICD-10, idade) em tensores numéricos estruturados.
  • Inferência Iterativa: A função generateTrajectory executa um loop onde o modelo prevê o próximo evento e o tempo até ele ocorrer.
  • Amostragem de Tempo: Utiliza uma fórmula de amostragem estocástica ($t_{next} = -e^{\lambda} \cdot \ln(u)$) para determinar o tempo até o próximo evento com base nas probabilidades (logits) do modelo.
  • Pós-processamento: Converte os tensores de saída brutos em estimativas de risco de morbidade legíveis (eventos e anos de idade).
• Interface do Usuário: Uma aplicação web (desenvolvida no ObservableHQ) permite a interação direta, visualizando a trajetória de saúde atual e as projeções futuras em tempo real, sem comunicação de rede para inferência.

3. Principais Contribuições

• Arquitetura de Inferência Client-Side: Demonstração bem-sucedida de que modelos generativos complexos podem rodar inteiramente no dispositivo do usuário, eliminando a necessidade de transmitir dados de saúde sensíveis para servidores externos.
• Implementação dos Princípios FAIR: O projeto focou especificamente na melhoria da Interoperabilidade (via ONNX) e Reutilizabilidade (via SDK JavaScript), transformando um modelo de pesquisa em um artefato acessível e portátil.
• SDK de Alto Desempenho: Criação de uma camada de abstração em JavaScript que gerencia a complexidade do ONNX Runtime Web, facilitando a integração de modelos de IA em aplicações web seguras.
• Prova de Conceito Funcional: Disponibilização de uma aplicação web pública e repositórios de código (GitHub) que validam a viabilidade técnica dessa abordagem.

4. Resultados

• Viabilidade Técnica: O pipeline de inferência foi transferido com sucesso do servidor para o navegador, funcionando em dispositivos móveis e desktops (com e sem aceleração GPU).
• Privacidade Garantida: Todos os dados de entrada e as projeções geradas permanecem exclusivamente no dispositivo local do usuário. Nenhuma informação de saúde é transmitida pela rede durante o processo de inferência.
• Desempenho: A utilização de WebAssembly e WebGPU permitiu uma execução próxima à velocidade nativa, tornando a experiência de usuário viável para aplicações interativas.
• Limitações Atuais: A precisão preditiva demonstrada é limitada, pois o modelo utilizado foi treinado apenas em um subconjunto de dados sintéticos (7.144 pacientes), e não no conjunto de dados real completo (400k trajetórias) do estudo original.

5. Significado e Conclusão

Este trabalho estabelece um blueprint arquitetural para o futuro da IA generativa na medicina, alinhando soluções tecnológicas com rigorosos requisitos de governança de dados.

• Impacto na Privacidade: Ao colocar a fronteira computacional no dispositivo do usuário, o modelo redefine o padrão de segurança para aplicações de saúde, permitindo o uso de IA sem comprometer a confidencialidade do paciente.
• Futuro: Os autores propõem a integração de técnicas como aprendizado federado ou fine-tuning client-side para permitir que os modelos melhorem continuamente com base em dados reais, mantendo a privacidade dos dados locais.
• Conclusão: A migração do Delphi 2M para o navegador via ONNX valida que é possível entregar ferramentas poderosas de IA para domínios sensíveis, priorizando a segurança do usuário e a reutilização de recursos científicos.