Jan, 2024

多医院数据的去中心化、协作和隐私保护的机器学习

PDF
TL;DR提出分散式、合作式和隐私保护的多医院数据的机器学习模型 (DeCaPH)，它允许不同的医疗机构进行合作训练，同时保护隐私并提高模型的泛化性能。
machine learningmedical datadecentralized, collaborative, and privacy-preserving mlmulti-hospital dataprivacy-preserving
发现论文，激发创造
  • 医疗数据隐私保护的分布式深度学习

    本研究介绍了一种在分布式情况下使用差分隐私训练临床数据神经网络的方法，并在 eICU 协作研究数据库和 The Cancer Genome Atlas 上进行了验证。

    Dec, 2018

  • 面向计算连续体的智能医疗分布式机器学习

    本文探讨了去中心化的分布式账本上机器学习模型对分布式电子个人健康档案进行知识提取的方法，并提出了一个设计概念，能够匿名进行预测性分析，结果表明可降低机器学习时间至 60％，一致性延迟低于 8 秒，适用于各个医疗机构。

    Jul, 2022

  • 医疗保健中的安全稳健机器学习：调查

    介绍机器学习和深度学习技术在医疗保健的应用及相应的安全和隐私挑战，并提出了相关方法以确保医疗保健应用中的安全和隐私保护。

    Jan, 2020

  • CaPC Learning: 保密和私密的协同学习

    我们提出一种名为 CaPC 的机器学习方法，通过使用安全的多方计算和同态加密等技术，实现在协作学习环境中同时满足数据保密性和隐私性的要求，各方不需要显式地加入其培训集或训练集中央模型，且每个参与者都能够获得更高的准确性和公正性。

    Feb, 2021

  • 隐私保护协作机器学习的可扩展方法

    该研究提出了 COPML 算法，这是一个完全去中心化的训练框架，可以保护数据隐私并实现可伸缩性，使用对个体数据进行安全编码的方式在多方之间分发计算负载，并以分布式方式执行训练计算和模型更新。实验演示了 COPML 相较于基准协议在训练速度上可实现高达 16 倍的加速。

    Nov, 2020

  • 基于加性同态加密的深度神经网络用于非对称协作机器学习

    本文提出一种不对称协作机器学习的实用方案，其中一方拥有数据，另一方仅拥有标签，提出了一种新的保护隐私的架构方案，可以有效地帮助两方合作训练深度学习模型。

    Jul, 2020

  • 健康信息学中深度学习模型的分布式协作训练的分割学习

    深度学习在医疗预测任务上表现出了非凡的潜力，但跨医疗机构推广具有挑战性。本文介绍了如何通过分割学习实现跨不同医疗数据集的深度学习模型协作训练，并保持原始记录和模型参数的私密性。通过多个医学成像和电子健康记录数据集，研究表明，通过分割学习训练的深度学习模型可以实现与集中式和联邦学习相似的性能，同时大大提高计算效率并减少隐私风险。

    Aug, 2023

  • ModelChain：基于私有区块链网络的分散隐私保护医疗预测建模框架

    本文介绍了一种新的框架，ModelChain，将区块链技术应用于隐私保护机器学习，以解决交叉机构卫生保健预测建模中的隐私问题，并提高机构之间的互操作性。

    Feb, 2018

  • 医疗隐私保护机器学习：挑战与未来视角

    本文综述了隐私保护机器学习在医疗保健领域中的应用，主要关注隐私保护的训练和推断，总结了现有趋势，识别了挑战，并讨论了未来研究方向。研究旨在引导隐私和高效的机器学习模型在医疗保健中的应用，并将研究成果转化为现实应用。

    Mar, 2023

  • 具备差分隐私的联邦学习用于敏感健康数据

    本文介绍了一种联邦学习框架，可以从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护，第一级别的隐私保护不在模型训练过程中移动或共享原始数据，第二级别的隐私保护使用差分隐私机制防止对模型的潜在隐私攻击，并在两个医疗应用程序上对我们的方法进行了全面评估，使用 100 万患者的真实世界电子健康数据，证明了联邦学习框架在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

    Oct, 2019