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

本文综述了联邦学习在医学图像分析中的最新发展，介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机，分类总结了现有的联邦学习方法，并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾，同时进行了实验以评估联邦学习方法在医学图像分析中的应用。

Jun, 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

该研究探讨了医学图像分析中联邦学习应用的安全方面。通过引入联邦环境中的分布式噪音，可以开发出具备对抗攻击鲁棒性并符合联邦隐私标准的模型。研究结果表明，引入分布式噪音可达到与传统对抗训练相当的安全水平，同时需要更少的样本进行重新训练。

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

通过采用Ensemble-Based Federated Learning（EBFL）框架，该研究实现了用于检测脑瘤的精确和可靠的诊断方法，达到了94%的全局模型精度和96%的集成模型精度。

Mar, 2024

本研究通过创新性地使用联邦学习方法，解决数据隐私和高效疾病诊断的双重挑战，以提高医学图像分类的准确性和效率，展示了联邦学习在磁共振成像（MRI）脑肿瘤检测中的应用效果，并强调了解决数据异质性的重要性和拓展联邦学习在医学图像分析中的研究方向。

Apr, 2024

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