Aug, 2023
揭示联邦学习在心血管疾病检测中的承诺与挑战：一项范围文献综述
Uncovering Promises and Challenges of Federated Learning to Detect Cardiovascular Diseases: A Scoping Literature Review
Sricharan Donkada, Seyedamin Pouriyeh, Reza M. Parizi, Meng Han, Nasrin Dehbozorgi...
TL;DR心血管疾病（CVD）是全球死亡的主要原因，早期检测可显著改善患者预后。机器学习（ML）模型可以帮助早期诊断 CVD，但其性能受到模型训练所使用数据的限制。隐私问题使得在医疗保健领域获取准确的 ML 模型训练数据更加困难。联邦学习（FL）是一种新兴的机器学习方法，它允许在不损害个体数据所有者隐私的情况下，使用来自多个信息源的数据进行模型训练。本综述文献对 CVD 检测中联邦学习的最新技术现状进行了概述。我们回顾了各种文献中提出的不同 FL 模型，并讨论了其优点和挑战。我们还将 FL 与传统集中式学习方法进行了比较，并强调了在模型准确性、隐私和数据分布处理能力方面的差异。最后，我们对 CVD 检测中 FL 的当前挑战和限制进行了批判性分析，并讨论了未来研究的潜在方向。总体而言，本综述旨在全面介绍 CVD 检测中联邦学习的最新技术现状，并凸显其提高 CVD 检测模型准确性和隐私保护的潜力。