在 COVID-19 识别方面，人工智能发挥着重要作用，特别是结合计算机视觉和深度学习技术可以帮助确定感染 COVID-19 的情况，然而，没有患者的特定医疗相关数据，深度学习方法在检测 COVID-19 时可能会缺乏足够的数据样本。因此，联邦学习是一种可以解决这个问题的方法，该论文提出了在 COVID-19 数据训练方面使用联邦学习的想法，并进行了实验验证其有效性。此外，作者还使用了四个流行模型（MobileNet，ResNet18，MoblieNet 和 COVID-Net）进行对比分析，结果表明联邦学习框架相较于未使用框架的模型能够更好地检测 COVID-19。

Jul, 2020

通过 HIPAA 合规模型和联邦学习方法进行 COVID-19 诊断，使用可视化技术强调胸部 X 射线中暗示 COVID-19 阳性诊断的关键特征。

Jan, 2024

使用胸部计算机断层扫描图像来检测冠状病毒感染已引起广泛关注，本研究利用深度学习模型对感染者进行精确分类，并包含了对不同类型的医学图像进行 Covid-19 分类的工作，以提高 Covid-19 诊断的准确性和速度。

Oct, 2023

本研究提出了联邦半监督学习技术来解决不同临床数据中存在的域偏移问题，以利用所有可用数据进行 COVID-19 胸部 CT 图像分析和自动诊断，并证明该技术有效性。

Nov, 2020

新型冠状病毒 COVID-19 的爆发导致医疗资源短缺，本研究提出一种简单而有效的算法 FLOP，使用部分模型共享在不泄露数据的情况下协作学习有效的深度学习模型，经过 COVID-19 数据集的实验，证明我们的 FLOP 算法可以有效地协调不同医院之间的数据共享。

Feb, 2021

本文旨在利用边缘计算和集群联邦学习等技术进行医学中的智能化诊断，为缺乏先进诊断设备的偏远医疗中心提供安全的多模态数据。作者评估了该框架在 COVID-19 诊断方面的表现，并在 X 射线和超声数据集上实现了 F1 得分的显着提高。同时，作者还探讨了在隐私和延迟敏感的应用程序中部署机器学习所涉及的挑战、技术、工具和技巧。

Jan, 2021

该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法，同时考虑 X 射线和 CT 扫描图像，使得 COVID-19 检测的测试准确率分别为 84.67％和 98.78％，并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比，为 COVID-19 检测和感染区域定位提供了有前景的结果。

Apr, 2020

使用弱监督的深度学习算法，从 CT 图像中检测和分类 COVID-19 感染，达到准确诊断及区分 COVID-19 和非 COVID-19 病例的目的。

Apr, 2020

COVID19 预测和检测的深度学习方法在此研究中得到了改进，并且高精度的预测模型可为医疗系统、决策者和研究者做出准确决策以减少 COVID-19 及其它传染病。

Oct, 2023

本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。

Apr, 2024