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

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

本文提出一种隐私保护的联邦学习框架，采用安全多方计算的方式，将医院分为不同簇，通过局部训练和参数交换，实现共同学习模型而无需共享患者私人数据，并通过公开数据的实验结果表明，与差分隐私相比，该框架可以以更高的准确度达到无隐私泄露的效果，但通信开销较高。

Aug, 2022

本研究探讨联邦学习在医疗应用中的优势，分析其如何能够解决医疗数据隐私、安全及所有权等挑战，讨论如何通过本地步骤和沟通轮数的调整来进一步提高模型的性能，并提供了理论证明和实验评估的支持。

Apr, 2023

本研究将差分隐私技术引入联邦学习框架以实现隐私保护的医学图像分类，证实了隐私保护与模型准确性之间的权衡存在，但我们证明了差分隐私的隐私预算的战略校准可以保持健壮的图像分类性能同时提供实质性的隐私保护。

Jun, 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

提出了综合的医疗数据隐私风险分析和联邦学习（MedPFL）的减轻框架，分析了在联邦学习中保护私人医疗数据的隐私风险，并开发了有效的减轻策略。展示了使用联邦学习处理医学图像的实质性隐私风险，并指出在联邦学习中加入随机噪声的防御方法可能不总是有效保护医学图像免受隐私攻击，这给医疗数据的隐私保护带来了独特和迫切的挑战。

Nov, 2023

机器学习和人工智能在医疗领域取得了显著进展，尤其在医学影像方面，机器学习模型有望改善疾病诊断、治疗计划和后期监测。联邦学习作为一个解决方案，允许组织通过共享模型训练信息（梯度）而非数据（如医学影像）来进行机器学习模型的合作训练，从而实现机构间的协作和保护患者隐私。然而，联邦学习仍面临一些挑战，本文对联邦学习、隐私保护和不确定性估计进行了综合评述，重点关注医学影像，同时指出了该领域的研究空白，并提出了未来联邦学习研究的方向，以增强隐私保护并解决医学影像数据中的噪声挑战。

Jun, 2024

本论文提出了一种基于联邦学习的隐私保护医学图像分类框架(FedMIC)，通过全局和局部知识使医疗组织从私有数据中获得定制模型，同时减少通信开销和提高效率，提高在资源受限条件下的稳健性和实际适用性。通过使用四个公共医学图像数据集展示了FedMIC的有效性。

Jul, 2024

本研究解决了联邦学习在处理医疗数据时隐私风险未被充分理解的问题。通过提出整体框架MedPFL，分析隐私风险并提出有效的防范策略，研究还揭示了在联邦学习中处理医学图像时严重的隐私攻击风险。研究表明，现有的添加随机噪声的防御机制在保护医疗图像方面并不总是有效，这为医疗数据隐私保护带来了独特的挑战。

Sep, 2024