卫生保健一直是人工智能(AI)的早期采用者之一，因为该技术能够以比人们更快的速度在大量数据中找到针头。速度的提高通常可以挽救生命。在这个行业中，时间至关重要。而且，人工智能系统通常可以找到即使是最熟练的临床医生也看不到的东西。
例如，ZK Research最近采访了波士顿地区一家领先的医疗保健机构的一位数据科学家，该机构的放射科使用AI检查MRI。人工智能系统可以发现脑出血和其他小且人眼无法察觉的问题。这使医生可以将更多的时间花在治疗患者上，而更少的时间用于诊断问题。
患者数据隐私限制了AI在医疗保健中的使用
将AI留在医疗保健中的最大因素之一是使机器学习和AI框架能够访问大量患者数据，而不会违反严格的隐私权侵害。在最近的年度北美放射学会(RSNA)年度会议上，NVIDA展示了可以克服这一障碍的解决方案。NVIDIA推出了其Clara联合学习技术，该技术采用了分布式协作学习技术，可将患者数据保留在医疗服务提供商的内部，而不是将其放入云服务中。这是通过在最近宣布的NVIDIA EGX智能边缘计算平台上运行Clara Federated Learning来实现的。
业界GPU市场的领导者NVIDIA通过构建满足特定行业需求的系统，在将机器学习和AI引入更多垂直领域方面发挥了重要作用，而新的医疗保健用例就是一个很好的例子。Clara Federated Learning(FL)是用于分布式协作式AI模型训练的参考应用程序，可确保患者信息的私密性。众多NVIDIA合作伙伴提供的边缘服务器上的工作负载均可通过与其他医院共享标记的数据在全球范围内培训系统。较大的数据集可创建更准确的模型，并显着减少临床医生花费标签数据的时间。
Clara联合学习在保护患者数据的同时加快了AI培训
该系统已打包到Helm图表中，以便更轻松地在Kubernetes Infrastructure上进行部署。NVIDIA EGX Edge计算节点可安全地配置联合服务器和协作客户端，从而提供运行联合学习项目所需的全部内容，包括容器和初始AI模型。
该系统的独特之处在于，它使用跨多个医疗机构的分布式培训数据来开发更好的AI模型，而无需共享患者数据。每个医院都可以使用NVIDIA Clara AI辅助注释SDK标记自己的患者数据，该SDK已集成到3D切片机，MITK，Fovia和Philips Intellispace Discovery等众多医疗查看器中。预先训练的模型和转移学习技术极大地缩短了学习时间。一些医院告诉ZK Research，过去耗时数小时的流程现在可以在几分钟之内完成，从而极大地推动了组织的发展。
通过安全链接将培训结果共享回联合学习服务器，从而确保了隐私。而且，该系统仅共享模型信息，而不共享患者记录，从而保护了敏感信息。该过程反复进行，直到AI模型达到预定的准确性水平为止。分布式模型通过使用更大的数据集来加速学习，但保持患者信息的安全性和私密性。
