Sep, 2024

实施北欧-巴尔特联合健康数据网络：案例报告

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 医疗信息学的联邦学习

    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

  • 电子健康记录和结构化医疗数据的联邦和分布式学习应用：一项范围审视

    这篇综述研究了联合学习在结构化医疗数据上的应用，强调了应优先考虑临床实践和研究的需要，并发现目前这方面的应用缺乏临床意义方面的充分评估。

    Apr, 2023

  • 适用于真实世界医疗应用的开放、透明和可信的联邦学习Fed-BioMed

    该论文介绍了 Fed-BioMed 的设计空间、目标用户、领域限制以及这些因素如何影响当前和未来的软件架构，从而将联邦学习（FL）应用于医学研究领域。

    Apr, 2023

  • 关于数据异构性对联邦学习环境的影响及其在医疗网络中的应用

    本研究探索了医疗数据领域中联邦学习的数学形式化和异质性分类，重点检验了最流行的联邦学习算法在处理基于数量、特征和标签分布的异质性方面的能力，并基于这些挑战对七种常见的联邦学习算法进行了性能评估。研究目标是通过一组由不同的联邦医院数据集收集的表格性临床报告预测中风复发的风险，讨论了这种场景中经常遇到的数据异质性及其对联邦学习性能的影响。

    Apr, 2024

  • 区块链上的健康数据安全: 差分隐私和联邦学习框架

    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

  • 医疗中的联邦学习：模型不端、安全挑战、应用及未来研究方向--系统综述

    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

  • 去中心化智能健康网络（DIHN）

    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

  • 去中心化智能健康网络 (DIHN)

    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

  • 去中心化健康智能网络（DHIN）

    本研究提出了去中心化健康智能网络（DHIN）这一理论框架，旨在解决因健康数据分散导致的数据主权与AI利用的重大挑战。该框架通过自我主权身份架构和可扩展的联邦学习协议，促进健康数据的去中心化管理和AI训练，显著提升患者对健康数据的控制权，推动了医疗体系的转型与创新。

    Aug, 2024

  • Clinnova 联邦学习概念验证：跨境合作的关键收获

    本研究解决了现有医疗数据共享中的精确医药标准化和互操作性不足的问题。通过跨国合作，提出了一种新颖的联邦学习方法，专注于炎症性肠病、类风湿病和多发性硬化症的AI算法开发，以提高患者护理质量。最重要的发现是，跨境合作显著推进了多发性硬化症MRI图像的分割技术，促进了精准医疗的实施。

    Oct, 2024