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

本篇论文提出并评估了一个名为 CXR-FL 的基于深度学习的联邦学习方法，用于医学影像分析，证明了联邦学习有助于保持模型的泛化能力以及深度学习模型对于肺部分割数据更为敏感，且其在分类方面的性能对于联邦学习的参数选择有一定程度的依赖。

Apr, 2022

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

本文提出一种基于体验回放和生成对抗网络思想的联合和分散学习策略，名为 FedER，它可以在保持隐私的同时整合本地节点的特征，提供能够横跨多个数据集的模型，以实现对结核和黑色素瘤分类的准确诊断

Jun, 2022

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

本文研究了在真实的合作环境下使用联邦学习（FL）构建医学成像分类模型。通过对世界各地的七个临床机构的数据进行联邦学习，成功地训练了乳腺密度分类模型，其性能比在机构的本地数据训练的模型平均提高了 6.3％，在其他机构的测试数据上表现出了 45.8％的相对改进。

Sep, 2020

本篇论文研究了 FL 领域中不同于普通平均策略的模型聚合方法 ——ensemble distillation，证明其能够在保证数据隐私性和节约算力的同时，更灵活地聚合异构模型，并在各种 CV/NLP 数据集和场景下优于现有的 FL 算法。

Jun, 2020

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

本文提出了一种新的个性化联邦学习框架来解决异构医疗数据在多个医院之间协作训练神经网络时的降级问题，并设计了差异性稀疏正则化器和降低计算成本的方法来提高计算效率，最后通过实验证明该方法可以获取最佳模型性能和高达 60％的通信效率改进。

Jun, 2023