Alexis Crowell, Vice President, Sales Marketing & Communications Group dan Managing Director, Asia Pacific Territory, Intel Corporation
Alexis Crowell, Vice President, Sales Marketing & Communications Group dan Managing Director, Asia Pacific Territory, Intel Corporation

Alexis Crowell, MD - APAC Territory and VP Sales, Marketing & Communication Group, Intel

Federated Learning, Kunci Wujudkan Layanan Kesehatan Lebih Cerdas dan Aman

Mohammad Mamduh • 23 November 2022 13:30
Jakarta: Perawatan kesehatan modern kini telah menjadi lebih cerdas, berkat penggunaan teknologi seperti Kecerdasan Buatan (AI). Model pembelajaran mesin (ML) akan "mempelajari" cara membuat keputusan berdasarkan pola yang ditemukan dalam sekumpulan besar data pasien.
 
Hal ini pada gilirannya membantu meningkatkan akurasi diagnosis medis, serta mempercepat penelitian dan pengembangan obat-obatan yang sangat dibutuhkan.
 
Namun dalam beberapa tahun terakhir, para ahli menyadari bahwa penggunaan proses tradisional untuk mengembangkan aplikasi pembelajaran mesin melalui pengumpulan data terpusat tidaklah cukup.
 
Alasannya, model ML yang efektif untuk perawatan kesehatan memerlukan lebih banyak data ketimbang yang bisa dibagikan secara bebas karena masalah keamanan dan privasi.

Bagaimana tanggapan anda mengenai artikel ini?


Tantangan-tantangan ini menjadi penghalang bagi AI untuk mendorong industri perawatan kesehatan ke tingkat lebih tinggi, di mana model yang mencapai akurasi clinical-grade hanya dapat diturunkan dari kumpulan data yang cukup besar, beragam, dan terkurasi.
 
Untuk mendemokratisasi AI dan memanfaatkan data dalam perawatan kesehatan, diperlukan metode training model ML yang tidak berisiko membagikan data sensitif ke luar institusi yang menyimpannya. Hal ini bisa diwujudkan dengan metode federated learning.
 
Pembelajaran terpusat dalam perawatan kesehatan tak lagi sustainable
Pembelajaran terpusat (centralized learning) sudah lama digunakan dalam pemodelan AI tradisional. Metode ini melibatkan pengumpulan dataset dari berbagai lokasi dan perangkat, lalu mengirimkannya ke lokasi terpusat tempat pelatihan model ML berlangsung.
 
Hal ini mengandung beberapa risiko. Pertama, data yang disimpan di satu lokasi dapat dicuri dan terekspos, sehingga menyebabkan bencana besar bagi institusi yang bertanggung jawab untuk menyimpannya.
 
Kedua, sejak awal pemilik data bahkan mungkin tidak ingin membagikan data mentah mereka. Meskipun pemilik data mungkin ingin menggunakannya untuk pelatihan, data mentah itu sendiri mungkin terlalu sensitif untuk dibagikan.
 
Masalah keamanan dan privasi juga mempersulit pengembangan secara global, terutama yang terkait dengan kepemilikan data, kekayaan intelektual (IP), dan kepatuhan terhadap peraturan yang berlaku seperti Undang-Undang Perlindungan Data Pribadi di Indonesia, yang mengatur bahwa data dan informasi pribadi yang terkait dengan kesehatan harus dilindungi.
 
Hal ini diatur dengan lebih rinci dalam Undang-Undang Praktik Kedokteran dan Peraturan Menteri Kesehatan yang mengatur bahwa data rekam medis pasien adalah milik dokter, dokter gigi, maupun fasilitas layanan kesehatan, dan harus dijaga kerahasiaannya.
 
Kekhawatiran yang diuraikan di atas membuat tak banyak institusi mau menyumbangkan datanya. Hal ini pada gilirannya menghalangi model pembelajaran mesin untuk belajar dari kumpulan data yang beragam dan memperluas dataset ke institusi dan lokasi geografis yang berbeda, sehingga membuat data insight menjadi tidak akurat dan bias.
 
Federated Learning
Ide utama di balik federated learning adalah melatih model machine learning pada data pengguna tanpa perlu mentransfer data tersebut ke satu lokasi. Hal ini melibatkan pemindahan komputasi pelatihan ke infrastruktur di institusi pemilik data, bukannya memindahkan data ke satu lokasi untuk pelatihan.
 
Sebuah server agregasi pusat (central aggregation server) kemudian bertanggung jawab untuk melakukan agregasi terhadap insight yang dihasilkan oleh komputasi pelatihan beberapa pemilik data.
 
Federated learning memiliki iterasi pelatihan yang terjadi di perangkat lokal, yang memiliki manfaat penting yaitu tidak mengorbankan atau mengekspos data asli saat data mengalir. Artinya, data tetap berada di tangan pemiliknya ketika data itu dimanfaatkan untuk menciptakan insight global.
 
Parameter model lokal yang dihasilkan dari pelatihan pemilik data dikirim ke server pusat, yang mengagregasi mereka untuk membentuk model global berikutnya, dan kemudian dibagikan ke semua partisipan.
 
Di industri perawatan kesehatan, federated learning sudah membuat perbedaan melalui penggunaan AI yang canggih, yang membuat pendeteksian tumor otak kini menjadi lebih baik.
 
Sejak 2020, Intel Labs dan Perelman School of Medicine di University of Pennsylvania (Penn Medicine) bersama-sama mengembangkan teknologi yang memungkinkan 29 institusi perawatan kesehatan dan penelitian internasional yang dipimpin oleh Penn Medicine, melatih model kecerdasan buatan (AI) yang mengidentifikasi tumor otak dengan menggunakan teknik privacy-preserving yang disebut federated learning.
 
Penn Medicine dan Intel Labs juga menjadi yang pertama menerbitkan makalah tentang federated learning dalam bidang medical imaging, terutama menunjukkan bahwa metode federated learning dapat melatih model dengan akurasi lebih dari 99 persen dibandingkan model yang dilatih dengan metode tradisional dan non-privat.
 
Membangun fondasi yang kuat untuk federated learning dimulai dengan kepercayaan atau trust
Dengan begitu banyaknya penggunaan data, sangat penting bagi berbagai organisasi untuk memiliki strategi keamanan data yang kuat.
 
Kuncinya adalah menyimpan data sensitif di cloud di tempat dengan akses terbatas, yang umum dikenal sebagai Trusted Execution Environment (TEE). Perlindungan privasi seperti ini sangat penting untuk memberikan perlindungan terus-menerus terhadap workload yang harus memenuhi peraturan atau data sensitif lainnya di jaringan terdistribusi.
 
Saat komputasi bergerak ke beberapa lingkungan yang beragam – dari on-prem ke public cloud hingga ke edge, organisasi memerlukan kontrol perlindungan yang membantu melindungi data IP dan workload yang sensitif di mana pun data berada, serta memastikan bahwa workload jarak jauh dijalankan dengan kode yang diinginkan.
 
Di sinilah komputasi rahasia (confidential computing) masuk. Tidak seperti enkripsi tradisional untuk data secara keseluruhan atau saat transit, komputasi rahasia bergantung pada TEE untuk meningkatkan perlindungan dan privasi kode yang akan dieksekusi dan data yang digunakan.
 
Komputasi rahasia berarti dataset dapat diproses jauh lebih aman, dan risiko serangan dapat dikurangi dengan mengisolasi kode dan data dari peretasan pihak luar. Sebagai teknologi komputasi rahasia yang paling banyak diteliti dan digunakan di pusat data saat ini, Intel Software Guard Extensions (Intel SGX) menawarkan solusi keamanan berbasis hardware yang membantu melindungi data yang digunakan melalui teknologi application-isolation yang unik.
 
Dengan landasan keamanan berbasis hardware, permukaan yang sebelumnya rentan terhadap serangan dapat diperkuat untuk tidak hanya melindungi dari serangan software, tetapi juga membantu mengeliminasi ancaman terhadap data yang sedang digunakan.
 
Oleh karena itu, organisasi akan merasa tenang karena model pembelajaran mesin mereka dapat menggunakan kumpulan data yang berbeda dengan aman, dan melatih algoritme dengan tetap mematuhi peraturan dan keamanan. 
 
Masa depan federated learning
Dengan mengaktifkan model ML untuk mendapatkan pengetahuan dari data yang banyak dan beragam yang sebelumnya tidak akan tersedia, federated learning berpotensi menghadirkan terobosan signifikan dalam layanan kesehatan, memperbaiki diagnosis, dan mengatasi kesenjangan kesehatan dengan lebih baik.
 
Meskipun kita masih pada tahap awal dalam mengeksplorasi federated learning, hal ini sangat menjanjikan apabila kita dapat menyatukan banyak organisasi untuk berkolaborasi dan memecahkan masalah yang menantang sambil mengatasi masalah yang terkait dengan privasi dan keamanan data.
 
Faktanya, federated learning bisa diterapkan lebih luas selain di bidang layanan kesehatan, dengan peluang yang besar di bidang-bidang seperti Internet of Things, fintech, dan banyak lagi.
 
Sejumlah mahasiswa di Indonesia, seperti dari Universitas Multimedia Nusantara dan Pertamina University, misalnya, telah mulai mengeksplorasi federated learning di bidang-bidang yang spesifik, seperti mengklasifikasikan pesan scam menggunakan metode federated learning, serta meneliti korelasi data antara node-node dalam sistem federated learning.
 
Masa depan federated learning akan membawa penerapan AI ke tingkat berikutnya, dan kita baru menyentuh permukaannya saja dari potensi sesungguhnya metode ini.
 
(Alexis Crowell, Vice President, Sales Marketing & Communications Group dan Managing Director, Asia Pacific Territory, Intel Corporation)
 
(MMI)




LEAVE A COMMENT
LOADING
social
FOLLOW US

Ikuti media sosial medcom.id dan dapatkan berbagai keuntungan

Dapatkan berita terbaru dari kami Ikuti langkah ini untuk mendapatkan notifikasi

unblock notif