观点|边缘计算和群体学习将解决医疗健康数据共享难题

今年6月国际顶级期刊《自然》封面推荐论文：群体学习(Swarm learning)并未引起轰动

如果按照微信文章阅读量或新媒体资讯点击量，上述这篇论文很难让一般人，包括生物医学界人士感兴趣或浏览。

群体学习(Swarm learning)和边缘数据计算(the edge data computing)是太新、太陌生的专业词句，医学界人士对此也并不敏感，甚至不知所云。

但是，就像CRISP编辑一样，让精准编辑基因序列成为了可能；群体学习和边缘计算，再加上区块链和云，将最终解决医疗和健康数据无法共享的大问题。

确切讲，我们不需要再探讨共享数据，只需要分享每个人的见解(insight)。

利用边缘数据计算、群学习和区块链等全新概念和模式，解决医疗和健康大数据无法共享问题，也是新冠疫情催生的前沿进展和成果。

在过去一年半内，关于新冠病毒及其疾病和药物、医疗设备研发和临床验证等等，发表了30多万篇研究论文，业界同行分享了各自见解，而非原始临床疾病和实验室研究元数据。

如今，患者诊疗数据和正常人健康数据已经无处不在了。应用大数据开发AI智能决策系统，让所有人获益，如何共享患者诊疗和公共健康数据已成为绕不开的核心问题和监管焦点。

简单讲，数据信息可能在每个人“边缘”设备里生成，如可穿戴设备(手表或手环)、智能手机(App)、远程患者监测系统等，个人健康数据也在实时转换和储存在“边缘”设备和云端。

这些可穿戴设备多数通过移动通信网或物联网链接到数据中心或云端，个人如何实时获益？

临床医生和科研人员希望看到的是如何利用收集的海量数据，训练AI-ML系统，辅助精准诊疗决策或寻找创新研究方向，分享同行经验和成功案例。

从更广义上看，AI-ML系统还能为医学研究、临床诊疗业务流程、患者就诊App和慢病管理等，带来了更大智慧和更自动化的解决方案。

越来越多大数据训练AI-ML系统，使之更加智能，这样美好的远景，却因为上至国家，小到医院和诊所，几乎所有涉及患者疾病诊疗数据和个人健康数据都无法分享，而停滞不前了。

疫情期间，由于全球新冠病毒传染及其疾病诊疗牵扯到成千上万生命，共享数据信息成为了医学和跨学科领域科学家们攻关难题之一。

科学家们提出了“群体学习”和“边缘数据计算”，试图破解集中式数据管理和应用。简单讲，就是在不暴露任何数据前提下实现共享学习，对所有人都有好处，共同获益。

HP商务资深副总裁Dr. Goh在最近访谈中阐述“群体学习的作用是尽量避免数据共享，或完全阻止数据共享；你只需要共享见解，共享学习。从根本上讲，是最安全，更进步的数据智能应用策略。”

Goh博士以一家医院为例，医院希望建立一个机器学习模型，分析患者数据以帮助医生和患者预测疗效。现实情况是，医院只能访问自己医院数据，该AI模型仅根据医院就诊患者数据建模型和训练，这样的AI模型显示会出现偏差(敏感性和特异性)。

如果引入“群体学习”，医院可以将拥有的数据与其他医院或其他地区，甚至全球医疗机构的数据相结合，然后通过私有区块链，从全球结果平均值或AI模型参数中学习，无需共享个人临床数据信息。

在这样的“群体学习 区块链模型”框架下，每家医院的AI-ML系统都能准确预测并且减少偏差。就如同收集和对比分析了全球所有相同患者的数据，并从中学习了。

未来将是数据去中心化，不需要共享数据

从事“群体学习”模式研发的专家认为，群体学习只是利用边缘数据计算的一个案例，其中智能和互连性是关键。

随着数百亿台连接设备或硬件系统在边缘生成数据，且呈指数级增长，这意味着数据处理和分享其中知识，将越来越去中心化。

从边缘生成数据和数据中心化管理，转化至边缘数据计算和分享知识。在此过程中，群体学习将越来越凸显其重要性。这是数据科学和生物医学领域专业人士关注智慧医学前沿领域。

周日数据科学与数字医疗专题讲座

无论设计数字健康或数字医疗App，或研发可处方数字疗法DTｘ，获取患者诊疗数据和正常人真实世界健康大数据是至关重要的“原材料”，否则很难开发出AI-ML软件产品或数字疗法。

然而，获取医疗健康数据，发挥数字科学优势，对于医疗健康专业人员而言，是新课题、新知识技能和新挑战。如何解决？

主动健康干预技术协作平台

[题目]数据科学助力医学健康事业发展

主讲嘉宾：詹启敏院士

北京大学健康医疗大数据国家研究院院长

报名参加讲座，微信联系：GlobalMD2020

近年来政府投资立项建立不少医疗健康大数据中心或数据研究机构，他们的医疗健康数据从哪儿来的？怎样应用？社会和患者是否获益？是时候关注这些问题了。

关注我们，获取最新资讯信息