Nov, 2019

医疗信息学的联邦学习

PDF
TL;DR通过联邦学习机制，能够保持本地机构中的敏感数据，同时在中央服务器上培训共享全球模型，从而改进卫生保健数据的隐私保护和数据分析，以解决医疗卫生数据碎片化和保密性问题。
healthcare datafragmentedfederated learningprivacy-preservationbiomedical space
发现论文，激发创造
  • 医疗领域联邦学习的最新方法论进展

    使用分布式学习方法探索医疗数据的挑战和方法，评估当前方法的系统问题并提出改进建议。

    Oct, 2023

  • 医疗健康领域联邦学习 - 流程、应用与挑战

    本篇调查研究了联邦学习在医疗保健领域中的应用，讨论了其中存在的挑战、方法和应用，并概述了联邦学习在医疗行业中的潜在可能性。

    Nov, 2022

  • 联邦学习与数字化健康的未来

    该论文考虑了隐私问题对医疗数据的影响，通过联邦学习提供了数字健康的潜在解决方案，并强调需要解决的挑战和问题。

    Mar, 2020

  • 数字医疗领域联邦学习的安全与隐私问题及解决方案

    联邦学习在医疗保健行业有巨大潜力，可以解决数据收集和隐私保护的问题，然而，攻击和防御方面的挑战仍需进一步研究以实现更强大的联邦学习。

    Jan, 2024

  • 联邦学习中的公平性和隐私以及在医疗保健领域的影响

    分布式学习中的公平性在医疗保健领域中的实现和支持带来了一些挑战和考虑因素，本文旨在概述公平联邦学习的典型生命周期，并提供一个更新的分类方法以反映当前实现中的公平性状态。

    Aug, 2023

  • 具备差分隐私的联邦学习用于敏感健康数据

    本文介绍了一种联邦学习框架，可以从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护，第一级别的隐私保护不在模型训练过程中移动或共享原始数据，第二级别的隐私保护使用差分隐私机制防止对模型的潜在隐私攻击，并在两个医疗应用程序上对我们的方法进行了全面评估，使用 100 万患者的真实世界电子健康数据，证明了联邦学习框架在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

    Oct, 2019

  • 智能医疗领域的联邦学习：一项调研

    本综述介绍 FL 在智能医疗中的应用，包括资源感知型 FL，安全和隐私意识型 FL，激励型 FL 和个性化 FL，重点关注 FL 在健康数据管理，远程健康监测，医学成像和 COVID-19 检测方面的新领域，分析了几个最近基于 FL 的智能医疗项目，并讨论了未来研究方向和挑战。

    Nov, 2021

  • 医疗中的联邦学习：模型不端、安全挑战、应用及未来研究方向 -- 系统综述

    通过分析医疗保健领域中已经存在的研究文献，本研究系统评估了联邦学习在提供隐私保护的同时维护医疗数据分析的完整性和可用性方面的效力，同时探讨了实际应用及其影响，突出未来的研究方向，旨在完善联邦学习的实现、增强数据安全协议，并将联邦学习拓展到更广泛的医疗应用领域，为未来的研究人员和实践者提供帮助。

    May, 2024

  • 医学图片分析的联邦学习：一项调查

    本文综述了联邦学习在医学图像分析中的最新发展，介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机，分类总结了现有的联邦学习方法，并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾，同时进行了实验以评估联邦学习方法在医学图像分析中的应用。

    Jun, 2023

  • 全分散联邦学习掌握电子病历

    本文介绍了一种在图上进行全面分散联合学习的算法，通过本地更新和节点间通信的交替，实现了在不丢失解决方案优化的情况下显著减少参数通信轮次的目的，数值模拟结果表明该算法与传统方法相比，具有较高的性能优势。

    Dec, 2019