Owkin 的核心使命是实现精准医疗，也就是根据每位患者的独特生物特征量身定制治疗方案，避免传统的「千人一方」治疗模式。这种需求非常迫切，因为癌症在不同患者之间可能存在基因和症状上的差异，但许多患者仍然接受相同的治疗方案，治疗效果严重受限。

让 AI 技术在多模态患者数据中识别不同的生物标志物，并对患者进行亚群分类，将每类患者与最佳治疗靶点匹配，推动靶点药物研发、优化疾病诊断工具，实现真正意义上的个性化医疗，这是 Owkin 公司正在走的路。而实现以上目标的关键在于——如何既能进行数据共享，又能保证患者的数据隐私？

过去，研究人员们往往在自己关注的特定领域进行探索，导致了「数据孤岛」。 Thomas Clozel 认为，真正的创新来源于跨学科的整合，如果能将临床、单细胞、空间组学、组织学等多模态数据整合起来，并让数据科学家、临床医生、学术界人士和制药公司共同参与研究，将加速发现新的疾病机制，从而开发更具针对性的精准医疗方法。也就是说，数据共享是解决办法之一。然而，医疗数据包含敏感的个人信息，数据共享往往伴随着隐私泄露的风险，这使得许多医疗机构对此望而却步。

针对此，Owkin 采用联邦学习 (Federated Learning) 来解决，Thomas Clozel 将其简单定义为，允许各大机构在无需共享数据的前提下，共同训练人工智能模型。

具体来说，联邦学习允许多个数据提供方（医疗中心、研究机构、生物制药公司等）以分布式方式协同训练机器学习模型。也就是说，将患者数据始终保留在各自的服务器上，仅有算法和预测模型在服务器之间传输，即算法被发送到不同的数据中心并进行本地训练。训练完成后，仅算法返回中央位置，改进后的预测结果会被发送到每个本地数据集，并进一步优化。如下图所示，通过这种方法，Owkin 已经整合了 83 个合作伙伴的 11 种模态患者数据。

简而言之，联邦学习在保证患者隐私的基础上大规模解锁了数据，与此同时，分析不同数据获得的结论或研究成果可以被集体共享，从而加速医学研究的进展。为了推动这一技术的普及，Owkin 开源了联邦学习软件 Substra ，可用于临床研究、药物研发等。

开源地址：github.com

值得一提的是，2023 年 6 月，Owkin 曾发起了一项名为 MOSAIC（癌症多组学空间图谱）的项目 ，公司与顶级癌症研究医院等合作，针对 7 种难治性癌症（NSCLC，卵巢，膀胱，间皮瘤，胶质母细胞瘤，乳腺癌，DLBCL），征集来自 7,000 名患者的多模态数据。据悉，这是全球最大的癌症空间组学数据集，比现有数据集大 100 倍。利用这些数据，Owkin 可以研发先进的人工智能算法，并提供治疗建议。

MOSAIC 地址：

www.mosaic-research.com

（部分资料源于网络并整理）

本期主播：蛋酥酥/猫猫

后期：丹尼播客制作

制作人：蛋酥酥

录制支持：KUEENDOM