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

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

本研究提出了一种基于树模型进行模型平均的方法，旨在提高分布式数据网络下个性化治疗效果(CATE)估计精度，包括通过站点划分与模型组合来建模数据源异质性等。该方法通过真实世界数据的研究和全面的仿真实验表明其性能和提高治疗效果估计的实用价值。

Mar, 2021

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

我们提出了一种隐私保护的基于社区的联邦机器学习(PCBFL)框架，通过使用安全的多方计算技术，在保护隐私的情况下利用患者级别数据来聚类患者并训练模型。PCBFL在低、中、高风险患者的临床上表现出显著改进，并且性能优于传统和现有的聚类型联邦学习框架，平均AUC提高4.3％，AUPRC提高7.8％。

Jul, 2023

在医学领域，生存分析是一种基本工具，用于建模人群中出现感兴趣事件的时间。然而，在现实世界的应用中，生存数据通常是不完整、被审查、分布式和保密的，尤其是在关键性的医疗环境中，隐私保护至关重要。本研究提出了一种名为FedSurF++的Federated Survival Forest算法的扩展，这种联邦集成方法在异构联邦中构建随机生存森林。FedSurF++相比于现有方法具有可比较的性能，只需要完成一轮通信，通过从客户端森林采样进行了广泛的实证调查，从算法和隐私保护角度来看，显着提高了效率、鲁棒性和隐私性，同时在两个真实数据集上展示了FedSurF++在医疗领域研究中的成功。我们的结果强调了FedSurF++在分布式环境中提高生存分析的可伸缩性和效果的潜力，同时保护用户隐私。

Aug, 2023

通过评估五个FL框架的模拟和真实数据，本研究首次全面比较了工程和统计领域的FL框架，结果表明，相对于工程方法，统计FL算法在模型系数的估计上产生的偏差更小，且提供了方便的置信区间估计。然而，工程方法往往能够生成更准确的预测，有时甚至超过了中心汇总和统计FL模型。这项研究强调了两种方法的相对优势和劣势，并强调了未来FL应用中增加对两种方法的认识和整合的重要性。

Nov, 2023

我们提出了一个用于多个医疗数据所有者之间协作构建联邦评分系统的新框架，旨在确保隐私和通信效率，并在应用于新加坡和美国的急诊科的异质生存数据时证明了其更好的性能。

Mar, 2024

通过分析医疗保健领域中已经存在的研究文献，本研究系统评估了联邦学习在提供隐私保护的同时维护医疗数据分析的完整性和可用性方面的效力，同时探讨了实际应用及其影响，突出未来的研究方向，旨在完善联邦学习的实现、增强数据安全协议，并将联邦学习拓展到更广泛的医疗应用领域，为未来的研究人员和实践者提供帮助。

May, 2024