El objetivo del proyecto multidisciplinar FLUTE (FEDERATED LEARNING AND MULTI-PARTY COMPUTATION TECHNIQUES FOR PROSTATE CANCER) es avanzar y ampliar la asistencia sanitaria basada en datos mediante el desarrollo de métodos novedosos para la utilización transfronteriza de centros de datos que preserven la privacidad avanzada. Se llevará a cabo una investigación avanzada para ampliar los límites de rendimiento de la computación multipartita segura en el aprendizaje federado, incluidos los modelos de IA asociados y los entornos de ejecución seguros. Las innovaciones técnicas se integrarán en una plataforma que reforzará la privacidad y proporcionará a los innovadores un entorno seguro y probado para el desarrollo, las pruebas y el despliegue de soluciones federadas de IA sanitaria, incluida la integración de datos sanitarios del mundo real procedentes de los data hubs y la generación y utilización de datos sintéticos.
Para maximizar el impacto, la adopción y la replicabilidad de los resultados, el proyecto contribuirá al desarrollo del estándar global HL7 FHIR, y creará nuevas directrices para el aprendizaje federado transfronterizo en el ámbito de la salud que cumpla con la GDPR.
Para demostrar el uso práctico y el impacto de los resultados, el proyecto integrará la plataforma FLUTE con data hubs sanitarios ubicados en tres países diferentes, utilizará sus datos para desarrollar un novedoso conjunto de herramientas federadas de IA para el diagnóstico del cáncer de próstata clínicamente significativo y llevará a cabo una validación clínica multinacional de su eficacia, lo que ayudará a mejorar las predicciones de cáncer de próstata agresivo evitando biopsias innecesarias, mejorando así el bienestar de los pacientes y reduciendo significativamente los costes asociados.
Específicamente, dentro del proyecto, GRADIANT será el encargado de:
Liderar el WP2: Scalable privacy enhanced Federated Learning and AI.
Investigar, diseñar, implantar y probar un conjunto personalizado de métodos PET software/hardware adaptados a FL.
Desarrollar modelos de predicción para el diagnóstico de cáncer de próstata clínicamente significativo (csPCa) basado en datos clínicos en imagen MRI.
