医疗中的多模态联邦学习:一项综述
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
提出并评估了一种名为 FedMM 的联邦多模态学习框架,该框架通过联邦训练多个单模态特征提取器来增强后续分类性能,以解决计算病理学中多模态信息融合的隐私问题。
Feb, 2024
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
引入 FedMultimodal,它是第一个 FL 基准,用于多模态学习,覆盖了来自十个常用数据集的五个代表性多模态应用程序,总共有八种独特方式。与现有的 FL 基准不同,FedMultimodal 提供了一种标准化方法来评估 FL 对实际多模态应用程序中的三种常见数据污染的鲁棒性:缺失模态,缺失标签和错误标签。
Jun, 2023
本文介绍了联邦学习在元宇宙医疗保健领域中的应用,包括医疗诊断、患者监测、医学教育、传染病和药物发现等方面,强调了联邦学习在提升隐私性、可扩展性、互操作性、数据管理、安全性及低延迟医疗服务等方面的重要优点和挑战。
Apr, 2023
本文提供了关于联邦学习的概述,并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型,解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向,其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。
May, 2022
该论文介绍了一个针对医学实体标注等下游任务的大规模多语言模型的联邦学习系统,它能够跨越高度异质化的数据提供者进行训练,并通过本地训练步骤进一步提高全局模型的性能。
Nov, 2022
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
使用机器学习 (Machine Learning, ML) 和联邦学习 (Federated Learning, FL) 框架对医学影像进行癌症分期已引起了广泛的关注,并可以克服患者数据曝露的隐私问题。本文介绍了一种新颖的 FL 架构,可适应数据样本的异质性和基于机构的数据模态的不均匀性,通过分布式梯度融合和感知客户权重策略解决了跨多个数据模态的收敛速度差异挑战,并使用 The Cancer Genome Atlas 程序 (TCGA) 数据集进行实验证明方法的优越性。
Jan, 2024