[论文解读] ISTHMUS: Secure, Scalable, Real-time and Robust Machine Learning Platform for Healthcare

Akshay Arora, Arun Nethi+6 more|arXiv (Cornell University)|Sep 29, 2019

Machine Learning in Healthcare参考文献 10被引用 4

一句话总结

Isthmus 是一个安全、符合HIPAA标准的基于云的机器学习平台，专为医疗保健设计，支持端到端部署预测模型，具备实时数据摄入、数据调和及强大的监控功能。通过标准化数据管道、支持模型全生命周期管理并整合多种数据源（包括电子健康记录、社会健康决定因素和物联网设备），该平台显著缩短了临床人工智能的部署时间，已在创伤预测、人群健康和实时监控三个案例研究中得到验证。

ABSTRACT

In recent times, machine learning (ML) and artificial intelligence (AI) based systems have evolved and scaled across different industries such as finance, retail, insurance, energy utilities, etc. Among other things, they have been used to predict patterns of customer behavior, to generate pricing models, and to predict the return on investments. But the successes in deploying machine learning models at scale in those industries have not translated into the healthcare setting. There are multiple reasons why integrating ML models into healthcare has not been widely successful, but from a technical perspective, general-purpose commercial machine learning platforms are not a good fit for healthcare due to complexities in handling data quality issues, mandates to demonstrate clinical relevance, and a lack of ability to monitor performance in a highly regulated environment with stringent security and privacy needs. In this paper, we describe Isthmus, a turnkey, cloud-based platform which addresses the challenges above and reduces time to market for operationalizing ML/AI in healthcare. Towards the end, we describe three case studies which shed light on Isthmus capabilities. These include (1) supporting an end-to-end lifecycle of a model which predicts trauma survivability at hospital trauma centers, (2) bringing in and harmonizing data from disparate sources to create a community data platform for inferring population as well as patient level insights for Social Determinants of Health (SDoH), and (3) ingesting live-streaming data from various IoT sensors to build models, which can leverage real-time and longitudinal information to make advanced time-sensitive predictions.

研究动机与目标

• 解决阻碍医疗领域机器学习部署的技术与监管挑战，例如数据质量、隐私保护和互操作性问题。
• 通过提供即插即用、托管在云端的平台，支持可重用的数据与模型管道，缩短临床AI模型的上市时间。
• 实现临床、理赔、社会健康决定因素和实时物联网等多样化数据源的无缝集成，构建统一、安全的环境以支持预测建模。
• 支持从训练、部署、评估到再训练的端到端模型全生命周期管理，并在不同环境中保持一致的特征工程。
• 通过真实世界案例研究展示平台的多功能性，涵盖创伤存活预测、社区健康数据整合以及基于物联网的实时监控。

提出的方法

• Isthmus 部署于微软Azure云平台，采用符合HIPAA标准的基础设施，确保安全性、容错能力及灾难恢复能力。
• 可配置的数据摄入管道利用Apache NiFi收集、清洗并存储来自电子健康记录、理赔、社会健康决定因素和物联网源的结构化与非结构化数据，统一存入PostgreSQL。
• 标准化的数据转换包在训练与推理阶段复用，确保一致性，并可在生产环境中检测数据或特征漂移。
• 平台通过API支持模型部署，实现实时评分，并可与临床工作流程及电子健康记录系统集成。
• 模块化架构支持项目级隔离与代码复用，减少冗余，加快开发速度。
• 系统支持实时模型更新，并为未来实现A/B测试与多臂老虎机测试提供支持，以确保模型可靠性。

实验结果

研究问题

• RQ1 如何设计一个安全、可扩展且支持实时的机器学习平台，以满足医疗数据与监管标准的独特需求？
• RQ2 哪些技术与架构模式能够实现在临床机器学习管道中训练与推理阶段的一致性特征工程？
• RQ3 如何将异构数据源（包括电子健康记录、理赔、社会健康决定因素和物联网）进行调和与整合，形成统一平台以支持预测建模？
• RQ4 与点对点解决方案相比，统一平台在临床环境中能在多大程度上提升模型性能与部署速度？
• RQ5 在医疗领域中，使用即插即用平台进行实时模型监控、漂移检测与再训练，其实际影响是什么？

主要发现

• Isthmus平台通过在多个项目中复用标准化数据管道与模型部署环境，显著缩短了临床机器学习模型的部署时间。
• 在街区层级整合社会健康决定因素（SDoH）数据，显著提升了早产风险预测模型的预测性能。
• 平台成功摄入并处理了来自室内空气质量物联网传感器的实时数据，证明其具备处理流式数据工作负载的能力。
• 通过集中化、安全且可审计的数据管道，实现了训练与推理阶段的数据质量与特征工程的一致性，有效减少了因漂移导致的模型性能退化。
• 平台的模块化与可复用架构支持快速原型设计与多模型部署，几乎无需重复工作。
• 案例研究证实，该平台能够在单一合规基础设施内，支持从创伤存活预测到人群健康分析等多种应用场景。