去中心化健康智能网络(DHIN)
本文探讨了区块链技术如何改善基于人工智能的医疗保健可靠性和信誉的状态,并通过系统文献综述探索了不同人工智能技术和区块链技术的医疗应用程序。提出了一个概念框架,包括自然语言处理,计算机视觉和声学AI应用,以应对各种针对基于人工智能的医疗保健应用的对抗攻击。
May, 2022
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
本研究提出一种基于多方计算的安全集成联邦学习与区块链的方法,使异构模型能够在保护用户隐私的前提下协同学习医疗机构的数据,并利用区块链的属性实现数据完整性和审计控制能力。
May, 2023
为了解决构建医疗元宇宙面临的关键挑战,本文设计了一个以用户为中心的隐私保护框架,基于去中心化的联邦学习用于医疗元宇宙。此框架通过跨链架构提供分布式、隐私保护和安全的数据训练,并利用信息时代和期望理论构建数据时效度量和激励机制,以提供更好的医疗元宇宙服务。
Jul, 2023
区块链技术作为一种安全且去中心化的数字交易和信息记录的数字账本,能够在医疗行业和医疗保健领域应用中保护患者数据的安全性和透明性,本研究探讨了将区块链技术应用于基于人工智能的医疗保健系统中,使得区块链和人工智能相结合能够解决医疗系统中的安全、性能和效率等方面的问题,并且提出了一个基于人工智能的医疗区块链模型(healthAIChain),以提升患者数据的安全性。
Nov, 2023
提出一种框架来增强基于区块链的物联网(BIoT)系统在医疗保健领域中的隐私保护,通过集成差分隐私(DP)和联邦学习(FL)来保护物联网节点收集的敏感健康数据,并利用动态个性化和自适应噪声分布策略平衡隐私和数据效用,同时通过区块链技术确保模型更新的安全透明聚合和存储,实验证明该框架在各种攻击场景下具有强大的隐私保证,并在健康分析任务中保持高准确性,平均每轮联邦学习花费6秒左右的交易延迟,注重性能和可行性。
May, 2024
分布式智能网络(DIN)通过解决数据碎片化和封闭性造成的数据主权和人工智能利用方面的重要挑战,提供了一个全面的框架。该框架通过以下方式逾越了以往由碎片化所导致的对可扩展数据源的访问障碍:1)将个人数据存储作为数据主权的先决条件;2)在公共区块链上实施可扩展的联邦学习协议,用于去中心化的人工智能训练,数据仅与参与者共享模型参数更新;以及3)可扩展的、无信任的奖励机制,以激励参与,并确保公平的奖励分配。该框架确保没有实体可以阻止或控制对参与者提供的数据进行训练的访问,也不确定经济利益,因为这些过程在具有不可变记录且没有第三方的公共区块链上进行。它支持有效的人工智能训练,让参与者保持对其数据的控制,从中获得经济利益,并为一个去中心化、可扩展的生态系统做出贡献,充分利用集体人工智能来发展有益的算法。
Jul, 2024
本研究针对健康数据主权和人工智能在医疗领域利用中因数据碎片化而面临的重要挑战,提出了一种理论框架。该框架通过自我主权身份架构、可扩展的联邦学习协议及无信任奖励机制,确保数据控制权掌握在患者手中,同时促进有效的人工智能培训,提升医疗算法的开发潜力。
Aug, 2024
本研究针对医疗数据主权和人工智能在医疗保健中的应用面临的数据碎片化问题,提出了去中心化健康智能网络的理论框架。该框架结合自主身份架构、联邦学习协议及无信任奖励机制,确保健康数据的主权,同时促进有效的AI训练,赋予患者对自身健康数据的控制权,并推动去中心化医疗生态系统的发展。
Aug, 2024
本研究解决了跨国界中央化医疗数据收集和处理中的隐私、安全性和法律障碍等问题。通过结合实验设计与实施科学的方法,研究开发了由六个机构组成的联合健康数据网络,并发现该网络在性能上与中央化模拟相比没有显著下降。主要发现表明,跨学科的方法在解决这些挑战上潜力巨大,但不确定的监管环境和较高的运营成本仍需关注。
Sep, 2024