Een internationaal onderzoeksteam waar ook onderzoekers van het Radboudumc deel van uitmaken stelt dat swarm learning, of zwermleren, een aanzienlijke verbetering teweeg kan brengen in de samenwerking en uitwisseling van informatie op het gebied van onderzoek. Bovendien kan met deze methode ook de privacy van gegevens gewaarborgd worden. En het gapende kloof dichten die nu nog bestaat tussen wat technisch mogelijk is en wat de privacywetgeving toelaat.
In een artikel dat gepubliceerd is in Nature beschrijven onderzoekers van het Deutsches Zentrum für Neurodegenerative Erkrankungen (DZNE), de Universiteit Bonn, Hewlett Packard Enterprise (HPE) en onderzoeksinstellingen uit Griekenland, Duitsland en Nederland (het Radboudumc) een op zwermleren en AI-gebaseerde aanpak. Daarmee kan die kloof mogelijk gedicht worden, waardoor veel meer mogelijkheden ontstaan voor de (decentrale) analyse van medische data.
Decentrale medische data analyse
Een belangrijk doel van precisiegeneeskunde is een snelle en betrouwbare diagnose van ernstige ziekte. De analyse van grote hoeveelheden informatie, de zogenoemde Big Data, kan een substantiele bijdrage leveren aan de ontwikkeling van persoonsgerichte behandelingen. Echter, de geldende privacywetgeving vormt hierbij vaak een behoorlijke barrière. Technisch is namelijk veel meer mogelijk dan omwille van de privacy toegestaan is. De nieuwe aanpak, gebaseerd op AI met zwermintelligentie.
"Zwermleren vindt plaats op basis van regels die alle partners in de zwerm van tevoren hebben afgesproken. Deze regels zijn vastgelegd in een blockchain; een soort digitaal protocol dat de informatie-uitwisseling tussen de partners regelt, alle gebeurtenissen documenteert en alle partijen toegang verschaft. De blockchain is de ruggengraat van zwermleren. Zo blijven alle onderzoeksgegevens op de eigen locaties. Alleen algoritmen en parameters worden gedeeld, waardoor zwermleren voldoet aan de privacy- en gegevensbescherming. Verder hebben alle partners in de zwerm gelijke rechten en is er geen centrale ‘spin’ die normaal het complete dataweb controleert en invloed op de resultaten kan uitoefenen”, vertelt onderzoeksleider Joachim Schultze.
Zwermleren effectief?
De vraag was vervolgens of het zwermleren ook echt werkt en effectief is. Hiervoor testte de onderzoeksgroep het systeem bij vier ziekten, te weten COVID-19, tuberculose en twee verschillende vormen van leukemie (acute myeloïde leukemie en acute lymfatische leukemie). Van alle vier de ziekten waren gegevens van de genactiviteit, het transcriptoom, van de bloedcellen van patiënten én gezonde controles beschikbaar. Van de COVID-19 en tuberculose patiënten waren daarnaast ook de longfoto's beschikbaar.
Vervolgens werden met de aangeleerde patroonherkenning voor ‘ziek’ of ‘gezond’ de verdere gegevens geclassificeerd. Het algoritme wist uiteindelijk in ongeveer 90 procent van de gevallen een juist onderscheid te maken tussen gezonde en zieke individuen. Bij de longfoto’s varieerde het resultaat tussen 76 tot 86 procent.
COVID-19 data Radboudumc
Vanuit het Radboudumc droegen Mihai Netea van de afdeling Interne Geneeskunde en Peter Pickkers en Matthijs Kox van de afdeling Intensive Care (IC) bij aan deze studie. De onderzoekers op de Nijmeegse IC verzamelden het afgelopen jaar een groot aantal gegevens van alle ernstig zieke COVID-19 patiënten die op hun afdeling werden opgenomen.
Tijdens het ziektebeloop werden bij deze patiënten veel klinische gegevens verzameld en op meerdere tijdstippen werd het profiel van de genactiviteit (het transcriptoom) in hun witte bloedcellen bepaald. Zo’n profiel laat zien welke genen in de bloedcellen aan het werk zijn en hoe die activiteit verandert in de tijd. Deze gegevens werden gebruikt om de zwermleer algoritmen te trainen en te evalueren. Vervolgens bleek dat zwermleren COVID-19 heel nauwkeurig kan afleiden uit deze profielen van genactiviteit.
