Las tecnologías ómicas permiten obtener grandes cantidades de datos que quedan salvaguardados en los entornos donde han sido obtenidos, limitando su uso al convertirlos eninaccesibles para otros centros y sin la posibilidad de ser explotados con algoritmos de inteligencia artificial. 

Nuestro objetivo es desarrollar un modelo de aprendizaje automático (AU) que permita predecir la patogenicidad de las variantes encontradas en muestras tumorales y su efecto sobre la supervivencia global y libre de enfermedad, todo ello en un contexto federado con el que mantener el acceso restringido y la privacidad de los datos de cada centro pero permitiendo a todos los nodos beneficiarse globalmente del conocimiento adquirido en cada una de las instituciones. 

Para el entrenamiento, validación y uso de la aplicación OncoSurvAI, analizamos datos genéticos, histológicos y clínicos con redes neuronales (DeepHit) incorporadas a un servicio de Federated Learning que permite el entrenamiento descentralizado del algoritmo de AU. Así, mantenemos la privacidad de los datos, disminuimos los sesgos de predicción y permitimos que otros centros usen y contribuyan a la mejora del mismo sin compartir información.

En el prototipo funcional desarrollado, creamos un modelo para cáncer de pulmón con cohortes de repositorios públicos y datos retrospectivos de nuestro centro. Implementamos un sistema de AU federado que permite mover dicho modelo entre las instituciones donde se reentrenará con nuevos datos, mejorando así su precisión. Estos modelos entrenados en cada nodo de la red son fusionados creando un metamodelo que vuelve a ser propagado a todas las instituciones para que pueda ser aprovechado el conocimiento adquirido en cada nodo por toda la red de centros participantes.

OncoSurvAI, basado en aprendizaje automático federado, permitirá avanzar en el conocimiento de las bases moleculares del cáncer entrenando modelos con datos genómicos y clínicos en entornos seguros en red cumpliendo las normativas de protección de datos.