Nieuw in AI: leren in zwermen

Swarm Learning - het leren in zwermen - is gebaseerd op het delen van algoritmen en parameters terwijl de data lokaal blijft bij de eigenaar van die data. Ook het al wat langer bekende federated learning maakt gebruik van dit principe, maar er is een cruciaal verschil tussen de twee. Bij federated learning is er een centrale aansturing van het leerproces, terwijl bij swarm learning die centrale controle ontbreekt. In plaats daarvan vindt het proces plaats binnen een groep deelnemers die hun afspraken en handelingen vastleggen in een blockchain waar iedere deelnemer toegang toe heeft.

Het gebruik van een gedistribueerd leerproces heeft enorme voordelen omdat de data niet verplaatst hoeven te worden en de verschillende datasets niet inzichtelijk zijn voor de andere deelnemers aan het project. "Swarm learning vult de voorwaarden voor databescherming op een natuurlijke manier in", zegt Joachim Schultze, de hoofdauteur van het artikel dat gisteren in het prestigieuze wetenschappelijk tijdschrift Nature verscheen. Bovendien levert het verplaatsen van grote hoeveelheden data - dat nodig is bij de klassieke manier van het trainen van neurale netwerken - fysieke problemen op bij transport en opslag.

Nieuwe diagnosetechniek

De basis voor de swarmlearningtechniek werd gelegd door de onderzoeksafdeling van HPE. Daarna is deze uitgewerkt en in de praktijk getest door een grote groep onderzoekers in Duitsland, Griekenland en Nederland (Peter Pickkers en Matthijs Kox, Radboud Universiteit). Ook het Duitse COVID-19 OMICS Initiative deed mee in het onderzoek. Daarbij is gekeken naar verschillende medische toepassingen. Zo werd een algoritme getraind voor een nieuwe manier om het voorkomen van ziektes te ontdekken. Daarbij worden röntgenopnames van de longen vergeleken met hoe actief het DNA in witte bloedcellen wordt afgelezen. "Die activiteit van de genen in bloedcellen is als een moleculaire vingerafdruk van de manier waarop het lichaam reageert op een bepaalde ziekte", legt Schultze uit. Deze zogeheten 'transcriptomen' zijn echter erg complex om te beoordelen en om een goed beeld te krijgen moeten heel veel transcriptomen worden beoordeeld. Schultze: "Dat soort data is perfect voor het testen van swarm learning."

Getest op vier medische aandoeningen

Het analyseren van transcriptomen met deze nieuwe technologie werd gedaan voor vier ziektes: Twee varianten van bloedkanker, tuberculose en Covid-19. De swarmlearningtechnologie vond plaats op 3 tot 32 locaties, afhankelijk van het type aandoening dat werd bestudeerd. Er werden meer dan 16.000 transciptomen bij het onderzoek betrokken en 100.000 röntgenopnames. De onderzoekers concluderen dat swarm leraning veel beter werkt dan wanneer de algoritmen los van elkaar op elke locatie werden getraind. "Elke node profiteert van de ervaring die wordt opgedaan bij de andere nodes", zegt Schultze.

Hij verwacht dat deze technologie een grote waarde heeft bij bredere toepassing in het medisch onderzoek, maar ook voor andere datagedreven disciplines.