该论文考虑了隐私问题对医疗数据的影响，通过联邦学习提供了数字健康的潜在解决方案，并强调需要解决的挑战和问题。

Mar, 2020

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

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

心血管疾病（CVD）是全球死亡的主要原因，早期检测可显著改善患者预后。机器学习（ML）模型可以帮助早期诊断CVD，但其性能受到模型训练所使用数据的限制。隐私问题使得在医疗保健领域获取准确的ML模型训练数据更加困难。联邦学习（FL）是一种新兴的机器学习方法，它允许在不损害个体数据所有者隐私的情况下，使用来自多个信息源的数据进行模型训练。本综述文献对CVD检测中联邦学习的最新技术现状进行了概述。我们回顾了各种文献中提出的不同FL模型，并讨论了其优点和挑战。我们还将FL与传统集中式学习方法进行了比较，并强调了在模型准确性、隐私和数据分布处理能力方面的差异。最后，我们对CVD检测中FL的当前挑战和限制进行了批判性分析，并讨论了未来研究的潜在方向。总体而言，本综述旨在全面介绍CVD检测中联邦学习的最新技术现状，并凸显其提高CVD检测模型准确性和隐私保护的潜力。

Aug, 2023

社会关怀应用、用户退出、机器学习算法、联合机器学习方法和数据选择对用户退出预测模型的性能有显著影响。

Sep, 2023

使用分布式学习方法探索医疗数据的挑战和方法，评估当前方法的系统问题并提出改进建议。

Oct, 2023

提出了一种适用于高类别不平衡情况下学习的数据正则化算法在联邦学习环境中的应用，以提高心血管疾病预测模型的性能，并利用分布在联邦生态系统不同节点上的患者数据，不损害其隐私并实现更加资源敏感的分配。该方法在分散在不同客户端的四个心血管疾病预测数据集上进行评估，取得了改进的性能，并验证了在不同超参数设置和资源分配场景下的稳健性和适应能力。

May, 2024

通过异步去中心化联邦学习来解决糖尿病患者面临的高质量血糖预测模型的难题以及隐私保护的问题。GluADFL方法在四个不同的T1D数据集上经过与八种对照方法的比较，展示了在跨患者分析中准确预测血糖水平的优越性能，同时适用于各种社交网络的通讯网络中的数据存储和分享，提供了实际应用的隐私保护解决方案，显著提高了糖尿病管理的质量。

Jun, 2024

本文解决了如何在保护隐私的情况下利用多中心患者调查数据构建精准的预后模型的问题。研究采用隐私保护的联邦学习技术，证明其在不同健康结果预测中的有效性，结果显示，联邦模型在性能上与集中模型相当，且优于地方模型。此研究有望改进医疗数据利用，提升预测准确性。

Sep, 2024