dati personali

Il machine (federated) learning in Sanità, per coniugare intelligenza artificiale e privacy

Cos’è il federated learning, come funziona e perché rappresenta la risposta ai problemi e ai limiti del machine learning (AI) in ambito sanitario relativamente alla protezione dei dati personali

11 Giu 2019
Luigi Mischitelli

Privacy & Data Protection Specialist at IRCCS Casa Sollievo della Sofferenza

Machine learning e giornalismo

Il federated learning può essere la risposta al più grande ostacolo del machine learning (intelligenza artificiale) in ambito sanitario. Permetterebbe infatti di ottenere pressoché tutti i vantaggi del machine learning (di cui è la rivisitazione “decentralizzata”), quindi supporto a diagnosi/terapie mediche, senza compromettere la privacy dei pazienti.

Cos’è il federated learning

Il federated learning fu presentato da Google in un interessante articolo del 2017. A differenza del Machine Learning “puro”, consente di costruire sistemi di “apprendimento automatico” senza accesso diretto ai training data. I dati rimangono nella loro ubicazione d’origine (decentrati), permettendo di garantire la protezione degli stessi e riducendo i relativi costi.

Digital event
Torna il Cybersecurity 360 Summit strategia nazionale di cybersicurezza. Online, 27 ottobre
Sicurezza
Sicurezza dei dati

Il Federated Learning permette quindi l’utilizzo efficace dei dati in tutti gli ambiti e settori, nel rispetto della protezione dei dati e della sicurezza informatica: i dati sono stoccati all’interno dell’azienda, il che non permette l’insorgere della maggior parte dei problemi in materia di protezione dei dati personali; è presente un modello virtuale condiviso tra le varie aziende nell’ambito di un sistema “decentrato” e a reciproco vantaggio; nell’ambito di tale meccanismo “federale”, l’identità e lo status di ciascun partecipante sono gli stessi; tale modello virtuale ha quasi le stesse prestazioni del modello che si costruisce mettendo insieme tutti i dati (Machine Learning); consente di apprendere mentre rimangono memorizzati più set di dati; infine, non sono necessari scambi di dati grezzi per proteggere la privacy degli interessati.

Come opera il federated learning

Per avere un’idea di come operi il Federated Learning, si può supporre che ci siano due aziende A e B con diverse tipologie di dati; ad esempio, l’azienda A tratta i dati personali dell’utente, mentre l’azienda B tratta i dati che riguardano un prodotto. Secondo le normative sulla protezione dei dati (come il GDPR) le due società non possono combinare in modo rudimentale i dati di entrambe le parti in assenza di una base giuridica valida. Supponiamo che ogni parte costruisca un modello di apprendimento, rispettivamente per un compito di classificazione o di previsione, e questi compiti siano già stati riconosciuti dai rispettivi utenti al momento dell’acquisizione dei dati. Ora la domanda è come costruire modelli di qualità superiore sia per A che per B? Tuttavia, poiché i dati sono incompleti (ad esempio, A e B non possiedono alcuni dati o caratteristiche), o i dati sono insufficienti (e questo può inficiare il Learning), i modelli o i risultati potrebbero non essere soddisfacenti.

Pertanto, lo scopo del Federated Learning è quello di risolvere questo problema: esso mira a costruire un modello tra le organizzazioni, mentre i dati in possesso di ognuna rimangono in azienda. Il loro ambiente locale e i parametri del modello sono scambiati in maniera cifrata. Ciò porta alla creazione di un modello virtuale condiviso “a prova di privacy”, con le stesse prestazioni (o quasi) del Machine Learning. Il Federated Learning permette la costruzione di un modello virtuale nel quale i dati non si spostano e non vengono violati (salvo cause diverse). Il “meccanismo federale”, l’identità e lo status di ogni partecipante sono gli stessi, e tale sistema aiuta a stabilire una strategia del “bene comune”, motivo per cui si parla anche di “apprendimento federato“.

Federated Learning e protezione dei dati personali

Nonostante le sue capacità e potenzialità, al suo debutto nel biennio scorso il Federated Learning non ebbe una immediata accoglienza positiva da parte degli esperti del settore. A due anni di distanza però, un “soccorso inaspettato” arriva dall’approccio del Federated Learning con la protezione dei dati personali: la risposta al più grande ostacolo del Machine Learning in ambito sanitario. Come accennato, con il Federated Learning è possibile raggiungere tutti i vantaggi del Machine Learning (o quasi) senza compromettere la privacy dei pazienti.

Negli ultimi anni il Machine Learning è entrato nel nostro quotidiano, ad esempio, con l’auto a guida autonoma, ovvero cambiando il nostro approccio in materia di sicurezza informatica. In ambito sanitario, tuttavia, nonostante molti studi dimostrino le infinite potenzialità nell’individuare e diagnosticare patologie, i progressi sono molto più bassi. Gli attuali algoritmi richiedono enormi quantità di dati. Per fare in modo che il Learning evolva anche in ambito sanitario, gli ospedali e gli istituti di ricerca dovrebbero combinare tra loro le rispettive – e diversificate – banche dati, per aver una qualche utilità in materia.

Negli Stati Uniti e nel Regno Unito, ad esempio, l’idea di centralizzare una serie di informazioni mediche e di dati particolari nelle mani delle aziende Tech si è ripetutamente dimostrata impopolare. Di conseguenza, l’utilizzo dell’Intelligenza Artificiale in ambito sanitario[9] è rimasto molto ristretto in termini di portata e applicabilità. Per fare un esempio, non sarebbe possibile utilizzare un modello di rilevamento del cancro al seno su scala mondiale testato unicamente su poche migliaia di pazienti dello stesso nosocomio.

Federated learning, un modello inedito per la Sanità

Proprio su queste criticità che hanno tenuto lontano il Machine Learning dall’ambito sanitario, il Federated Learning occupa il campo creando un modello inedito: infatti, si utilizzano i dati memorizzati in più ospedali senza che gli stessi dati possano mai lasciare la sede fisica dell’ospedale interessato, ovvero transitare per i server di una Tech Company.

Il Federated Learning opera formando modelli separati (da qui il termine “Federated”) per ogni ospedale, con i dati locali disponibili, per poi inviare questi modelli ad un server centrale per essere combinati tra loro in un “modello master”. Poiché ogni ospedale acquisisce più dati nel tempo, lo stesso nosocomio può scaricare l’ultimo modello master, aggiornarlo con i nuovi dati e rispedirlo al server centrale. Durante tutto il processo non vengono mai scambiati i dati “grezzi”, ma solo i modelli, i quali non possono essere decodificati per ricavarne i dati.

Ma ci sono alcune problematiche.

In primo luogo, la combinazione di modelli separati rischia di creare un modello master peggiore rispetto a ciascun modello; saranno i ricercatori a perfezionare le tecniche esistenti per non permettere che ciò accada.
In secondo luogo, il Federated Learning richiede che ogni ospedale abbia delle infrastrutture adeguate, nonché del personale adeguatamente formato per poter “addestrare” i modelli di Learning.

Inoltre sarebbe necessario procedere con la standardizzazione della raccolta dati in tutti gli ospedali. Ma siamo ancora all’inizio.

Dal 2017 sono nate altre tecniche di apprendimento distribuite per rispondere a queste sfide, come lo “Split Learning”. Nel caso dello Split Learning, ogni ospedale inizia con la formazione di modelli separati, ossia di modelli formati “per metà” (Split). Tali modelli sono poi inviati al server centrale per essere combinati e completare la loro formazione. Il vantaggio principale è che questo allevierebbe parte dell’onere computazionale degli ospedali.

Federated learning, l’approccio delle aziende

Alcune aziende, tra cui Intel, stanno lavorando sull’utilizzo del Federated Learning per le applicazioni dell’Intelligenza Artificiale in ambito sanitario (assistenza, ricerca ecc.).

La startup francese Owkin invece, utilizza il Federated Learning per prevedere la resistenza dei pazienti a diversi trattamenti e farmaci, così come i loro tassi di sopravvivenza con certe malattie. La Owkin lavora con diversi centri di ricerca sul cancro negli Stati Uniti e in Europa per sperimentare quanto teorizzato. Le collaborazioni hanno già prodotto un documento di ricerca, a detta dei fondatori della startup, su un nuovo modello che prevede le probabilità di sopravvivenza per una rara forma di cancro sulla base delle immagini patologiche del paziente.

Infine, vi è l’approccio di IBM Watson. Il sistema IBM Watson è una delle applicazioni più famose nel campo della diagnosi intelligente. In ambito sanitario, Watson è usato per la diagnosi medica automatizzata, in particolare nel campo della lotta contro il cancro da parte di istituti medici prevalentemente cinesi e americani. Tuttavia, IBM Watson ha accusato il colpo dopo una diagnosi errata che avrebbe potuto causare la morte di un paziente.

In pratica, i Training Data utilizzati da IBM Watson avrebbero dovuto contenere le caratteristiche delle malattie, le sequenze geniche, i referti medici, i risultati degli esami e i documenti accademici. Ma in realtà, non ci sono fonti di dati stabili, e nella maggior parte dei casi vi sono problemi di etichette (Labels) mancanti. Qualcuno presume che ci potrebbero volere 10 anni e 10.000 esperti per raccogliere un set di dati efficace. L’insufficienza di dati e di etichette si traduce in cattive prestazioni dei modelli di apprendimento automatico, il che si traduce in un vero e proprio “collo di bottiglia” per una diagnosi intelligente (e, quindi, causa principale di una diagnosi errata). Per superare questo ostacolo si può supporre che gli istituti medici di tutto il mondo si uniscano per condividere i loro dati, per poi avere un set di dati abbastanza grande da addestrare il modello migliore di sempre.

Combinando il Federated Learning con il Transfer Learning è possibile raggiungere questo obiettivo. La fattibilità risiede in due punti. In primo luogo, i dati provenienti dagli istituti medici devono essere sensibili a problemi di privacy e di sicurezza e lo scambio “brutale” dei dati dovrebbe essere impossibile, lì dove il Federated Learning consente di realizzare modelli di formazione senza condividere direttamente i dati. In secondo luogo, il Transfer Learning potrebbe essere applicato alla mancanza delle etichette, in modo da poter ingrandire il set di dati e le prestazioni del modello, migliorandole. Pertanto, il Federated (Transfer) Learning potrebbe avere un ruolo importante nello sviluppo di sistemi di diagnosi intelligenti. Se gli istituti medici potessero stabilire “un’alleanza” in materia nel prossimo futuro, il livello di progresso in medicina potrebbe entrare concretamente in una nuova era.

WHITEPAPER
Gestione dei contratti e GDPR: guida all’esternalizzazione di attività dei dati personali
Legal
Privacy
@RIPRODUZIONE RISERVATA

Speciale PNRR

Tutti
Incentivi
PA
Sostemibilità
Analisi
Formazione
Salute digitale
Sicurezza
Sostenibilità
Digital Economy
Formazione
Trasferimento tecnologico, il Mise mette sul piatto 7,5 milioni
Strategie
PSN e Strategia Cloud Italia: a che punto siamo e come supportare la PA in questo percorso
Dispersione idrica
Siccità: AI e analisi dei dati possono ridurre gli sprechi d’acqua. Ecco gli interventi necessari
PNRR
Cloud, firmato il contratto per l’avvio di lavori del Polo strategico
Formazione
Competenze digitali, stanziati 48 milioni per gli Istituti tecnologici superiori
Iniziative
Digitalizzazione delle reti idriche: oltre 600 milioni per 21 progetti
Competenze e competitività
PNRR, così i fondi UE possono rilanciare la ricerca e l’Università
Finanziamenti
PNRR, si sbloccano i fondi per l’agrisolare
Sanità post-pandemica
PNRR, Missione Salute: a che punto siamo e cosa resta da fare
Strategie
Sovranità e autonomia tecnologica nazionale: come avviare un processo virtuoso e sostenibile
La relazione
Pnrr e PA digitale, l’alert della Corte dei conti su execution e capacità di spesa
L'editoriale
Elezioni 2022, la sfida digitale ai margini del dibattito politico
Strategie
Digitale, il monito di I-Com: “Senza riforme Pnrr inefficace”
Transizione digitale
Pnrr: arrivano 321 milioni per cloud dei Comuni, spazio e mobilità innovativa
L'analisi I-COM
Il PNRR alla prova delle elezioni: come usare bene le risorse e centrare gli obiettivi digitali
Cineca
Quantum computing, una svolta per la ricerca: lo scenario europeo e i progetti in corso
L'indice europeo
Desi, l’Italia scala due posizioni grazie a fibra e 5G. Ma è (ancora) allarme competenze
L'approfondimento
PNRR 2, ecco tutte le misure per cittadini e imprese: portale sommerso, codice crisi d’impresa e sismabonus, cosa cambia
Servizi digitali
PNRR e trasformazione digitale: ecco gli investimenti e le riforme previste per la digitalizzazione della PA
Legal health
Lo spazio europeo dei dati sanitari: come circoleranno le informazioni sulla salute nell’Unione Europea
Servizi digitali
PNRR e PA digitale: non dimentichiamo la dematerializzazione
Digital Healthcare transformation
La trasformazione digitale degli ospedali
Governance digitale
PA digitale, è la volta buona? Così misure e risorse del PNRR possono fare la differenza
Servizi digitali
Comuni e digitale, come usare il PNRR senza sbagliare
La survey
Pnrr e digitale accoppiata vincente per il 70% delle pmi italiane
Missione salute
Fascicolo Sanitario Elettronico alla prova del PNRR: limiti, rischi e opportunità
Servizi pubblici
PNRR: come diventeranno i siti dei comuni italiani grazie alle nuove risorse
Skill gap
PNRR, la banda ultra larga crea 20.000 nuovi posti di lavoro
Il Piano
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUMPA2022
PNRR e trasformazione digitale: rivedi i Talk di FORUM PA 2022 in collaborazione con le aziende partner
I contratti
Avio, 340 milioni dal Pnrr per i nuovi propulsori a metano
Next Generation EU
PNRR, a che punto siamo e cosa possono aspettarsi le aziende private
Fondi
Operativo il nuovo portale del MISE con tutti i finanziamenti per le imprese
Servizi comunali
Il PNRR occasione unica per i Comuni digitali: strumenti e risorse per enti e cittadini
Healthcare data platform
PNRR dalla teoria alla pratica: tecnologie e soluzioni per l’innovazione in Sanità
Skill
Competenze digitali, partono le Reti di facilitazione
Gli obiettivi
Scuola 4.0, PNRR ultima chance: ecco come cambierà il sistema formativo
Sistema Paese
PNRR 2, è il turno della space economy
FORUM PA 2022
FORUM PA 2022: la maturità digitale dei comuni italiani rispetto al PNRR
Analisi
PNRR: dalla Ricerca all’impresa, una sfida da cogliere insieme
Innovazione
Pnrr, il Dipartimento per la Trasformazione digitale si riorganizza
FORUM PA 2022
PA verde e sostenibile: il ruolo di PNRR, PNIEC, energy management e green public procurement
Analisi
PNRR, Comuni e digitalizzazione: tutto su fondi e opportunità, in meno di 3 minuti. Guarda il video!
Rapporti
Competenze digitali e servizi automatizzati pilastri del piano Inps
Analisi
Attuazione del PNRR: il dialogo necessario tra istituzioni e società civile. Rivedi lo Scenario di FORUM PA 2022
Progetti
Pnrr, fondi per il Politecnico di Torino. Fra i progetti anche IS4Aerospace
Analisi
PNRR, Colao fa il punto sulla transizione digitale dell’Italia: «In linea con tutte le scadenze»
La Svolta
Ict, Istat “riclassifica” i professionisti. Via anche al catalogo dati sul Pnrr
Analisi
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUM PA 2022
Ecosistema territoriale sostenibile: l’Emilia Romagna tra FESR e PNRR
Il Piano
Innovazione, il Mise “centra” gli obiettivi Pnrr: attivati 17,5 miliardi
Analisi
PNRR: raggiunti gli obiettivi per il primo semestre 2022. Il punto e qualche riflessione
Analisi
PNRR: dal dialogo tra PA e società civile passa il corretto monitoraggio dei risultati, tra collaborazione e identità dei luoghi
Webinar
Comuni e PNRR: un focus sui bandi attivi o in pubblicazione
Analisi
Formazione 4.0: cos’è e come funziona il credito d’imposta
PA e Sicurezza
PA e sicurezza informatica: il ruolo dei territori di fronte alle sfide della digitalizzazione
PA e sicurezza
PNRR e servizi pubblici digitali: sfide e opportunità per Comuni e Città metropolitane
Water management
Water management in Italia: verso una transizione “smart” e “circular” 
LE RISORSE
Transizione digitale, Simest apre i fondi Pnrr alle medie imprese
Prospettive
Turismo, cultura e digital: come spendere bene le risorse del PNRR
Analisi
Smart City: quale contributo alla transizione ecologica
Decarbonizzazione
Idrogeno verde, 450 milioni € di investimenti PNRR, Cingolani firma
Unioncamere
PNRR, imprese in ritardo: ecco come le Camere di commercio possono aiutare
I fondi
Industria 4.0: solo un’impresa su tre pronta a salire sul treno Pnrr
Formazione
Trasferimento tecnologico, il Mise mette sul piatto 7,5 milioni
Strategie
PSN e Strategia Cloud Italia: a che punto siamo e come supportare la PA in questo percorso
Dispersione idrica
Siccità: AI e analisi dei dati possono ridurre gli sprechi d’acqua. Ecco gli interventi necessari
PNRR
Cloud, firmato il contratto per l’avvio di lavori del Polo strategico
Formazione
Competenze digitali, stanziati 48 milioni per gli Istituti tecnologici superiori
Iniziative
Digitalizzazione delle reti idriche: oltre 600 milioni per 21 progetti
Competenze e competitività
PNRR, così i fondi UE possono rilanciare la ricerca e l’Università
Finanziamenti
PNRR, si sbloccano i fondi per l’agrisolare
Sanità post-pandemica
PNRR, Missione Salute: a che punto siamo e cosa resta da fare
Strategie
Sovranità e autonomia tecnologica nazionale: come avviare un processo virtuoso e sostenibile
La relazione
Pnrr e PA digitale, l’alert della Corte dei conti su execution e capacità di spesa
L'editoriale
Elezioni 2022, la sfida digitale ai margini del dibattito politico
Strategie
Digitale, il monito di I-Com: “Senza riforme Pnrr inefficace”
Transizione digitale
Pnrr: arrivano 321 milioni per cloud dei Comuni, spazio e mobilità innovativa
L'analisi I-COM
Il PNRR alla prova delle elezioni: come usare bene le risorse e centrare gli obiettivi digitali
Cineca
Quantum computing, una svolta per la ricerca: lo scenario europeo e i progetti in corso
L'indice europeo
Desi, l’Italia scala due posizioni grazie a fibra e 5G. Ma è (ancora) allarme competenze
L'approfondimento
PNRR 2, ecco tutte le misure per cittadini e imprese: portale sommerso, codice crisi d’impresa e sismabonus, cosa cambia
Servizi digitali
PNRR e trasformazione digitale: ecco gli investimenti e le riforme previste per la digitalizzazione della PA
Legal health
Lo spazio europeo dei dati sanitari: come circoleranno le informazioni sulla salute nell’Unione Europea
Servizi digitali
PNRR e PA digitale: non dimentichiamo la dematerializzazione
Digital Healthcare transformation
La trasformazione digitale degli ospedali
Governance digitale
PA digitale, è la volta buona? Così misure e risorse del PNRR possono fare la differenza
Servizi digitali
Comuni e digitale, come usare il PNRR senza sbagliare
La survey
Pnrr e digitale accoppiata vincente per il 70% delle pmi italiane
Missione salute
Fascicolo Sanitario Elettronico alla prova del PNRR: limiti, rischi e opportunità
Servizi pubblici
PNRR: come diventeranno i siti dei comuni italiani grazie alle nuove risorse
Skill gap
PNRR, la banda ultra larga crea 20.000 nuovi posti di lavoro
Il Piano
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUMPA2022
PNRR e trasformazione digitale: rivedi i Talk di FORUM PA 2022 in collaborazione con le aziende partner
I contratti
Avio, 340 milioni dal Pnrr per i nuovi propulsori a metano
Next Generation EU
PNRR, a che punto siamo e cosa possono aspettarsi le aziende private
Fondi
Operativo il nuovo portale del MISE con tutti i finanziamenti per le imprese
Servizi comunali
Il PNRR occasione unica per i Comuni digitali: strumenti e risorse per enti e cittadini
Healthcare data platform
PNRR dalla teoria alla pratica: tecnologie e soluzioni per l’innovazione in Sanità
Skill
Competenze digitali, partono le Reti di facilitazione
Gli obiettivi
Scuola 4.0, PNRR ultima chance: ecco come cambierà il sistema formativo
Sistema Paese
PNRR 2, è il turno della space economy
FORUM PA 2022
FORUM PA 2022: la maturità digitale dei comuni italiani rispetto al PNRR
Analisi
PNRR: dalla Ricerca all’impresa, una sfida da cogliere insieme
Innovazione
Pnrr, il Dipartimento per la Trasformazione digitale si riorganizza
FORUM PA 2022
PA verde e sostenibile: il ruolo di PNRR, PNIEC, energy management e green public procurement
Analisi
PNRR, Comuni e digitalizzazione: tutto su fondi e opportunità, in meno di 3 minuti. Guarda il video!
Rapporti
Competenze digitali e servizi automatizzati pilastri del piano Inps
Analisi
Attuazione del PNRR: il dialogo necessario tra istituzioni e società civile. Rivedi lo Scenario di FORUM PA 2022
Progetti
Pnrr, fondi per il Politecnico di Torino. Fra i progetti anche IS4Aerospace
Analisi
PNRR, Colao fa il punto sulla transizione digitale dell’Italia: «In linea con tutte le scadenze»
La Svolta
Ict, Istat “riclassifica” i professionisti. Via anche al catalogo dati sul Pnrr
Analisi
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUM PA 2022
Ecosistema territoriale sostenibile: l’Emilia Romagna tra FESR e PNRR
Il Piano
Innovazione, il Mise “centra” gli obiettivi Pnrr: attivati 17,5 miliardi
Analisi
PNRR: raggiunti gli obiettivi per il primo semestre 2022. Il punto e qualche riflessione
Analisi
PNRR: dal dialogo tra PA e società civile passa il corretto monitoraggio dei risultati, tra collaborazione e identità dei luoghi
Webinar
Comuni e PNRR: un focus sui bandi attivi o in pubblicazione
Analisi
Formazione 4.0: cos’è e come funziona il credito d’imposta
PA e Sicurezza
PA e sicurezza informatica: il ruolo dei territori di fronte alle sfide della digitalizzazione
PA e sicurezza
PNRR e servizi pubblici digitali: sfide e opportunità per Comuni e Città metropolitane
Water management
Water management in Italia: verso una transizione “smart” e “circular” 
LE RISORSE
Transizione digitale, Simest apre i fondi Pnrr alle medie imprese
Prospettive
Turismo, cultura e digital: come spendere bene le risorse del PNRR
Analisi
Smart City: quale contributo alla transizione ecologica
Decarbonizzazione
Idrogeno verde, 450 milioni € di investimenti PNRR, Cingolani firma
Unioncamere
PNRR, imprese in ritardo: ecco come le Camere di commercio possono aiutare
I fondi
Industria 4.0: solo un’impresa su tre pronta a salire sul treno Pnrr

Articolo 1 di 4