采用联邦学习（Federated Learning）来解决隐私法规问题，评估其对重症监护室死亡率的早期预测能力，结果表明联邦学习的表现与集中式方法相当，且显著优于本地方法。此外，使用 F1 分数作为提前停止指标，可以稳定和提高方法的性能。

Dec, 2022

本文提出了一种仅利用客户端的输出分布和样本大小来招募客户端的方法，从而招募一部分客户端，以显著提高计算时间，同时不损失模型性能。在 189 家重症监护单位的数据上进行的训练表明，使用这种方法训练出的联邦模型在预测能力和训练时间方面显着优于使用标准方法训练的联邦模型。

Apr, 2023

介绍了一种基于社群的联邦机器学习算法，将分布式数据聚类成具有相似诊断和地理位置的有临床意义的社群，使每个社群可以学习一个模型。该算法在现场非 IID ICU EMR 上表现优于传统方法，同时可以保护隐私。

Mar, 2019

本文研究应用联邦学习和自然语言处理于跨机构精神科领域进行暴力危险评估，并比较四个模型的性能，结果显示联邦学习模型表现最佳，可能为基于临床笔记的联邦学习应用开启了新的可能性。

May, 2022

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

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

利用隐私保护联邦学习技术，发现健康诊断的机器学习模型会受到数据投毒的攻击，导致全局模型准确度下降。

Oct, 2023

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

通过手术聚合方法，将来自不同疾病标签的分布式数据集的知识聚合和协调成一个 ' 全局 ' 深度学习模型，该研究表明手术聚合具有开发临床有用的深度学习模型的潜力，是从实验室到床边迈进的一步。

Jan, 2023

本研究提出了一个隐私保护方案，使用联合预测模型异步支持任意数量的客户端连接，采取联邦平均法训练模型，在不将患者数据带出医院的整个过程中，训练所有某一城市医院的医疗保健数据，以预测中风的风险，并开发一个移动应用程序，以演示联邦训练过程中联合预测模型和单一预测模型的性能比较。

Jun, 2020