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。
Nov, 2019
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
本文提出了以三个真实的数据集为基础的FL算法实验基准及考虑性能和成本的经济模型,同时还引入了一个结合了FedProx和FedBN的FL方法FedPxN,其在性能方面优于其他FL算法,并只消耗比最省电的方法略高一些的功耗。
Jul, 2022
该论文介绍了 Fed-BioMed 的设计空间、目标用户、领域限制以及这些因素如何影响当前和未来的软件架构,从而将联邦学习(FL)应用于医学研究领域。
Apr, 2023
本文提出了一种基于联邦学习的医学概念嵌入学习方法,通过使用MIMIC-IV数据集比较中心化学习和联邦学习的表现,结果发现联邦学习可以达到与中心化学习相近的性能,并且在平均精度上优于本地模型。同时,文章还证明了预训练掩码语言模型可以提高下一次就诊预测任务的性能。
May, 2023
医学自然语言处理的一种实用方法,采用联合学习、自然语言处理模型和NVIDIA的NVFlare框架,结合BERT预训练模型来增强病人护理和临床决策制定的准确性和性能,同时解决数据隐私和合规性问题。
Jun, 2023
多模态机器学习和联邦学习在医疗领域具有重要意义,并提出了多模态联邦学习在医疗领域的最新方法。此外,研究还揭示了领域中现有挑战的局限性,并提出了未来发展的方向,以满足医疗应用中尖端人工智能技术和患者数据隐私的迫切需求。
Oct, 2023
通过评估五个FL框架的模拟和真实数据,本研究首次全面比较了工程和统计领域的FL框架,结果表明,相对于工程方法,统计FL算法在模型系数的估计上产生的偏差更小,且提供了方便的置信区间估计。然而,工程方法往往能够生成更准确的预测,有时甚至超过了中心汇总和统计FL模型。这项研究强调了两种方法的相对优势和劣势,并强调了未来FL应用中增加对两种方法的认识和整合的重要性。
Nov, 2023
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
该研究针对集中式机器学习在肿瘤学中存在的隐私问题和数据多样性利用不足的现状,系统评估了联邦学习在乳腺癌、肺癌和前列腺癌中的应用。研究发现,联邦学习在25项研究中有15项超越了集中式机器学习,显示其在临床设置中增强机器学习泛化性和保护数据隐私方面的有效性,对癌症研究具有重要的推动潜力。
Aug, 2024