本综述介绍FL在智能医疗中的应用，包括资源感知型FL，安全和隐私意识型FL，激励型FL和个性化FL，重点关注FL在健康数据管理，远程健康监测，医学成像和COVID-19检测方面的新领域，分析了几个最近基于FL的智能医疗项目，并讨论了未来研究方向和挑战。

Nov, 2021

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

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

本研究利用联邦学习策略解决氯吡格雷治疗失败检测问题，通过多个医疗机构合作训练机器学习模型，实现敏感患者数据的保护，并结合庞大多样的UK Biobank数据集，评估了联邦学习的性能，在中心化训练获得较高的曲线下面积（AUC）值和更快的收敛速度的同时，联邦学习方法能够大大缩小该性能差距，这表明联邦学习有望解决氯吡格雷治疗失败检测问题，为个性化治疗策略的提升及数据隐私保护方面提供了有前景的途径，为医疗领域的联邦学习研究做出了贡献，并为各种医学状况的安全隐私保护预测模型奠定了基础。

Mar, 2024

该调查研究了基本模型（FM）在人工智能中的转化影响，重点关注其与联邦学习（FL）相结合在推进生物医学研究中的应用。基于巨大数据集通过无监督预训练、自监督学习、指导微调和人类反馈强化学习等方法训练的基本模型，如ChatGPT、LLaMa和CLIP，代表了机器学习的重要进展。这些模型具有生成连贯文本和逼真图像的能力，在需要处理包括临床报告、诊断图像和多模态患者互动等多样数据形式的生物医学应用中发挥关键作用。将联邦学习与这些复杂模型结合起来，为利用其分析能力同时保护敏感医疗数据的隐私提供了有前途的策略。这种方法不仅提升了基本模型在医学诊断和个性化治疗方面的能力，还解决了医疗保健中数据隐私和安全的重要问题。该调查回顾了基本模型在联邦环境中的当前应用，强调了挑战，并确定了未来的研究方向，包括扩展基本模型、管理数据多样性以及提高联邦学习框架内的通信效率。旨在鼓励进一步研究基本模型和联邦学习的结合潜力，为突破性的医疗创新奠定基础。

May, 2024

联邦学习的实施存在许多障碍，尤其在医学影像领域。然而，本研究通过对联邦学习文献的广泛调研和实际实验，提出了解决这些障碍的指南，并证明了联邦学习在肺部病理分割任务中胜过传统方法，从而强调了将联邦学习应用于实际情境的重要性。

May, 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

该研究针对集中式机器学习在肿瘤学中存在的隐私问题和数据多样性利用不足的现状，系统评估了联邦学习在乳腺癌、肺癌和前列腺癌中的应用。研究发现，联邦学习在25项研究中有15项超越了集中式机器学习，显示其在临床设置中增强机器学习泛化性和保护数据隐私方面的有效性，对癌症研究具有重要的推动潜力。

Aug, 2024

本研究解决了医学影像领域中由于患者数据隐私问题而阻碍人工智能应用的挑战。通过综述联邦学习及其隐私保护形式，研究提出了应对数据共享与敏感信息泄漏的创新方法，并强调了未来研究在提高医学影像数据隐私与可信度方面的必要性与潜在影响。

Sep, 2024

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。

Sep, 2024