在人工智能和医疗保健的交叉点上有很多令人兴奋的地方。人工智能已被用于改善疾病治疗和检测、发现有前景的新药、识别基因与疾病之间的联系等。

通过分析大型数据集和发现模式，几乎任何新算法都有可能帮助患者，人工智能研究人员只需要访问正确的数据来训练和测试这些算法。可以理解，医院不愿与研究团队分享敏感的患者信息。当他们共享数据时，很难验证研究人员是否只使用了他们需要的数据并在完成后将其删除。

Secure AI Labs (SAIL) 正在通过一项技术解决这些问题，该技术允许 AI 算法在永远不会离开数据所有者系统的加密数据集上运行。医疗保健组织可以控制其数据集的使用方式，而研究人员可以保护其模型和搜索查询的机密性。任何一方都不需要查看数据或模型来进行协作。

SAIL 的平台还可以结合来自多个来源的数据，创造丰富的洞察力，推动更有效的算法。

SAIL 已经与医院和生命科学公司合作，为研究人员解锁匿名数据。明年，该公司希望与全国前 50 名学术医疗中心中的一半左右合作。

释放人工智能的全部潜力

作为麻省理工学院计算机科学和分子生物学专业的本科生，Kim 与计算机科学和人工智能实验室 (CSAIL) 的研究人员一起分析来自临床试验、基因关联研究、医院重症监护病房等的数据。

数据共享存在严重问题，无论是医院使用硬盘驱动器、古老的文件传输协议，还是通过邮件发送内容，这一切都没有得到很好的跟踪。

凯利斯也是麻省理工学院和哈佛大学博德研究所的成员，多年来一直与医院和财团建立合作伙伴关系，涉及一系列疾病，包括癌症、心脏病、精神分裂症和肥胖症。他知道较小的研究团队很难获得他实验室正在使用的相同数据。

为了参与 SAIL 的计划，医院和其他医疗保健组织通过在防火墙后面设置一个节点，向研究人员提供部分数据。然后 SAIL 将加密算法发送到数据集所在的服务器，该过程称为联邦学习。算法在每个服务器中本地处理数据，并将结果传输回中央模型，中央模型会自行更新。所有人，除了研究人员，包括数据所有者，甚至是 SAIL，都可以访问模型或数据集。

该方法允许更广泛的研究人员将他们的模型应用于大型数据集。为了进一步吸引研究界，麻省理工学院的 Kellis 实验室已经开始举办比赛，在比赛中它可以访问蛋白质功能和基因表达等领域的数据集，并挑战研究人员预测结果。

通过将大量数据集匿名化为综合见解，SAIL 的技术还允许研究人员研究罕见疾病，其中相关患者数据的小池通常分布在许多机构中。从历史上看，这使得数据难以应用 AI 模型。

这些数据集最终都会开放，开启一个新时代，让全世界患有各种罕见疾病的每个患者都可以通过一次按键聚集来分析数据。

开启未来医学

为了处理有关特定疾病的大量数据，SAIL 越来越多地寻求与患者协会和医疗保健团体财团合作，包括一家国际医疗保健咨询公司和肾癌协会。合作伙伴关系还使 SAIL 与患者保持一致，他们最想帮助的群体。

总的来说，创始人很高兴看到 SAIL 为世界各地的研究人员解决了他们在实验室中面临的问题。

解决这个问题的正确地方不是学术项目。解决这个问题的正确地方是在工业中，不仅可以为我的实验室，也可以为任何研究人员提供一个平台，这是关于创建一个由学术界、研究人员、制药、生物技术和医院合作伙伴组成的生态系统。我认为，正是将所有这些不同领域融合在一起，才能使未来医学的愿景成为现实。