Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker
Imperial College London（伦敦帝国理工学院）；Academic Medical Center（学术医学中心）
神经成像数据的机器学习分析可以准确预测健康人的实际年龄，而健康大脑老化的偏差与认知障碍和疾病有关。在这里，我们试图进一步建立“大脑预测年龄”作为大脑老化过程中个体差异的生物标志物的凭证，使用基于深度学习的预测建模方法，特别是卷积神经网络（CNN），并应用于预处理和原始T1加权MRI数据。首先，我们的目的是使用健康成年人的大型数据集（N = 2001）来证明CNN大脑预测年龄的准确性。接下来，我们试图建立一个单卵和双卵女性双胞胎（N = 62）的样本大脑预测的年龄的遗传力。第三，我们使用两个样本（扫描仪内N = 20;扫描仪间N = 11）检查了脑预测年龄的重测和多中心信度。生成CNN脑预测年龄，并在所有数据集上与高斯过程回归（GPR）方法进行比较。输入数据是由统计参数映射（SPM）或原始数据生成的灰质（GM）或白质（WM）体积图。脑预测年龄代表了一种准确、高度可靠和遗传有效的表型，有可能用作脑老化的生物标志物。此外，年龄预测可以在原始T1-MRI数据上准确生成，大大减少了新数据的计算时间，使该过程更接近于在临床环境中提供有关大脑健康的实时信息。
2016-12-08 cs.CV cs.LG q-bio.NC
An Analytical Approach to Privacy and Performance Trade-Offs in Healthcare Data Sharing
organization= Decision Sciences \& MIS Department, Drexel University , city= Philadelphia , state= PA , country= United States；organization= College of Engineering, University of Massachusetts Amherst , city= Amherst , state= MA , country= United States
本研究从供需双方视角探讨医疗数据共享中隐私与效用的平衡，基于2013-2015年住院患者数据预测脓毒症，识别易受隐私攻击且对ML模型关键的亚群体，评估三种匿名化方法后发现MO-OBAM在强隐私保障下仅损失2%的模型性能，为医疗机构提供了负责任的数据共享方案。
2025-08-25 cs.LG stat.AP
Rediscovery of CNN's Versatility for Text-based Encoding of Raw Electronic Health Records
KAIST（韩国科学技术院）；Google Cloud AI Research（谷歌云人工智能研究院）
本文重新评估了分层CNN在原始电子健康记录文本编码中的效能，证明其以更少参数和训练时间在重建、预测、生成等任务上超越现有模型，并利用EHR层次结构提升性能，提供构建编码器的实用指南。
2023-05-10 cs.CL cs.LG
HealthGAT: Node Classifications in Electronic Health Records using Graph Attention Networks
University of Delaware（特拉华大学）；Southern Methodist University（南卫理公会大学）
针对电子健康记录原始格式限制下游任务性能的问题，提出HealthGAT图注意力网络框架，通过分层方法生成嵌入并引入辅助预训练任务，在节点分类及再入院预测等任务中表现优异。
2024-03-26 cs.CY cs.LG
Weakly Supervised Learning Meets Ride-Sharing User Experience Enhancement
Nanjing University（南京大学）；Didi Chuxing（滴滴出行）
弱监督学习的目的是处理稀缺的标记数据。以往的弱监督研究通常假设数据中只有一种弱监督。然而，在许多应用中，原始数据通常同时包含一种以上的弱监督。例如，在最大的在线拼车平台之一滴滴的用户体验提升中，乘车评论数据包含严重的标签噪音（由于乘客的主观因素）和严重的标签分布偏差（由于抽样偏差）。我们称之为“复合弱监督学习“。本文基于滴滴拼车评论数据，提出了CWSL方法来解决这一问题。具体而言，实例重新加权策略，以应付严重的标签噪声的评论数据，其中有害的噪声实例的权重很小。稳健的标准，如AUC，而不是准确度和验证性能进行了优化，以纠正偏倚的数据标签。交替优化和随机梯度方法加速了大规模数据的优化。在滴滴拼车评论数据上的实验清楚地验证了有效性。我们希望这项工作可以为弱监督学习在复杂的实际情况中的应用提供一些启示。
2020-01-19 cs.LG stat.ML
FedMental: Evaluating Federated Learning for Mental Health Detection from Social Media Data
University of Minnesota（明尼苏达大学）；University of Edinburgh（爱丁堡大学）
本文通过联邦学习和差分隐私联邦学习在抑郁和自杀危机检测任务上的实验，评估了隐私保护技术对心理健康检测性能的影响，发现联邦学习性能接近集中式训练，但差分隐私联邦学习存在显著的性能-隐私权衡。
2026-06-03 cs.CL cs.LG
CliniCIRCA: A Modular LLM Framework for Constructing Longitudinal Mental Health Patient Journeys from Raw EHR Narratives
Georgia Institute of Technology（佐治亚理工学院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Northwell Health（诺斯韦尔健康）
CliniCIRCA是一个多阶段LLM框架，用于从非结构化EHR叙事中重建纵向心理健康患者轨迹，通过时间分类和总结，生成时间线并提升事件提取与总结性能。
2026-09-18 cs.AI cs.CL cs.IR
Learning Privately over Distributed Features: An ADMM Sharing Approach
University of Alberta（阿尔伯塔大学）；University of Kent（肯特大学）
分布式机器学习已被广泛研究，以处理爆炸式增长的数据量。在本文中，我们研究了一个重要的但访问量较少的分布式学习问题，其中的功能是固有的分布或垂直划分在多方之间，和各方之间的原始数据或模型参数的共享是禁止的，由于隐私问题。我们提出了一个ADMM共享框架，以接近分布式特征的风险最小化，其中每一方只需要在训练过程中为每个样本共享一个值，从而最大限度地减少数据泄漏风险。我们建立了收敛性和迭代复杂性的结果，建议并行ADMM算法下的非凸损失。我们进一步介绍了一种新的差分隐私ADMM共享算法和绑定的隐私保证精心设计的噪声扰动。基于原型系统的实验表明，所提出的ADMM算法收敛效率高，在一个强大的方式，表现出优于基于梯度的方法，特别是对数据集的高维特征空间。
2019-07-17 cs.DC cs.LG stat.ML
A Distributed Generative AI Approach for Heterogeneous Multi-Domain Environments under Data Sharing constraints
The German University in Cairo（开罗德国大学）
本研究提出了一种在数据共享约束下用于异构多域环境的分布式生成AI方法，结合KLD加权聚类联邦学习和异构U型分割学习，提升多域生成模型的训练效率和性能。
2026-01-16 cs.AI cs.LG
Exploring the weather impact on bike sharing usage through a clustering analysis
Malmö University（马尔默大学）
自行车共享系统（BSS）多年来一直是一种受欢迎的旅行服务，并在全球范围内使用。它对希望促进更健康生活方式的城市和用户具有吸引力;减少空气污染和温室气体排放以及改善交通。停靠自行车共享系统的一个主要挑战是重新分配自行车和平衡停靠站。一些研究提出了可以帮助预测自行车使用情况的模型;重新平衡自行车分布的策略;建立模式或如何识别模式。其他研究建议通过包括天气数据来扩展这种方法。本研究旨在扩展这些建议和机会，探讨天气如何以及在多大程度上影响自行车的使用。收集华盛顿市的自行车使用数据和天气数据，并使用k均值聚类算法进行分析。K-means根据天气条件确定了三个与自行车使用相对应的聚类。结果表明，天气对自行车使用的影响在集群之间是明显的。结果表明，在五个天气变量中，温度和降水的权重最大。
2020-08-17 cs.LG stat.ML
Privacy-Preserving Tensor Factorization for Collaborative Health Data Analysis
Emory University（埃默里大学）；UT Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）
张量因子分解已被证明是一种有效的计算表型分析方法，可以将大量电子健康记录（EHR）转换为简洁且有意义的临床概念。虽然将张量因式分解任务分布到本地站点可以避免直接的数据共享，但它仍然需要交换可能泄露敏感患者信息的中间结果。因此，挑战是如何在严格和原则性的隐私约束下联合分解张量，同时仍然支持模型的可解释性。我们提出了DPFact，一个隐私保护的协同张量因式分解方法，用于使用EHR进行计算表型分析。它将先进的隐私保护机制与协作学习相结合。医院可以保持其EHR数据库的私密性，但也可以通过共享不同的私密中介结果来协作学习有意义的临床概念。此外，DPFact使用结构化稀疏项解决异质患者群体。在我们的框架中，每个医院分解其本地张量，并每隔几次迭代将更新的中间结果与输出扰动发送到生成表型的半可信服务器。对真实世界和合成数据集的评估表明，在严格的隐私约束下，我们的方法比最先进的基线方法更准确，通信效率更高。
2019-11-01 cs.CR cs.LG stat.ML
Vaccine allocation policy optimization and budget sharing mechanism using Thompson sampling
SKEMA Business School（SKEMA商学院）；Université Côte d’Azur（蔚蓝海岸大学）；UNSW Sydney（新南威尔士大学悉尼分校）
随着时间的推移，疫苗在人群亚群中的最佳分配是一个具有挑战性的卫生保健管理问题。在大流行病的背景下，多个行为体采取的疫苗接种政策与合作（或缺乏合作）之间的相互作用创造了一个影响疾病全球传播动态的复杂环境。在这项研究中，我们采取的决策代理的角度来看，旨在尽量减少其易感人群的规模，必须在有限的供应分配疫苗。我们假设疫苗有效率率是未知的代理，我们提出了一个优化策略的基础上汤普森抽样学习平均疫苗有效率率随着时间的推移。此外，我们还建立了一个平衡的资源共享机制，以促进代理之间的合作。我们将建议框架应用于COVID-19疫情。我们使用一个光栅模型的世界代理代表世界各地的主要国家和互动的全球移动网络，以产生多个问题的情况。我们的数值结果表明，拟议的疫苗分配政策实现了更大的减少易感人群的数量，感染和死亡的全球相比，基于人口的政策。此外，我们还表明，在固定的全球疫苗分配预算下，大多数国家可以通过与流动性相对较高的国家分享预算来减少本国的感染和死亡人数。拟议的框架可用于改善国家和全球卫生当局在卫生保健管理方面的决策。
2021-09-21 cs.LG math.OC
Adaptive Services Function Chain Orchestration For Digital Health Twin Use Cases: Heuristic-boosted Q-Learning Approach
University of Amsterdam（阿姆斯特丹大学）
本文提出启发式增强的 Q-Learning 自适应 SFC 编排框架，依据数据共享政策、性能需求与资源状态动态部署 VNF 和路由，服务数字健康孪生场景。
2023-04-25 cs.CR cs.LG cs.NI
BPFISH: Blockchain and Privacy-preserving FL Inspired Smart Healthcare
Indian Institute of Technology (Banaras Hindu University) Varanasi（瓦拉纳西印度理工学院（贝拿勒斯印度教大学））
本文提出了基于联邦学习（FL）的智能医疗系统，其中医疗中心（MC）使用从患者收集的数据训练本地模型，并将模型权重发送给基于区块链的健壮框架中的矿工，而无需共享原始数据，并考虑隐私保护。我们通过最大化效用和最小化损失函数来制定优化问题，考虑MC的能量消耗和FL过程延迟，以在基于区块链的框架下学习分布式医疗数据的有效模型。我们分两个阶段提出了一个解决方案：首先，提供一个稳定的基于匹配的关联算法，以最大化矿工和MC的效用，然后使用随机梯度下降（SGD）算法解决损失最小化问题，该算法采用差分隐私（DP）和区块链技术下的FL。此外，我们结合区块链技术，在拟议的基于FL的框架中提供耐调和和分散的模型权重共享。该模型的有效性，通过模拟现实世界的医疗数据比较其他国家的最先进的技术。
2022-07-27 cs.CR cs.LG cs.NI
A Multifaceted Benchmarking of Synthetic Electronic Health Record Generation Models
Vanderbilt University Medical Center（范德比尔特大学医学中心）；Sage Bionetworks；Vanderbilt University（范德比尔特大学）；University of Washington（华盛顿大学）；Tempus Labs
合成健康数据有可能在共享数据以支持生物医学研究和创新医疗应用开发时减轻隐私问题。基于机器学习的现代数据生成方法，特别是生成对抗网络（GAN）方法，继续发展并展示出巨大的潜力。然而，缺乏一个系统的评估框架来衡量方法的出现，并确定哪些方法最适合哪些用例。在这项工作中，我们引入了一个可推广的基准框架来评估合成健康数据的实用性和隐私指标的关键特征。我们应用该框架来评估电子健康记录（EHR）数据的合成数据生成方法，这些数据来自两个大型学术医疗中心的几个用例。结果表明，有一个实用性和隐私的权衡共享合成EHR数据。结果进一步表明，在每个用例中，没有一种方法在所有标准上都是明确的最佳方法，这使得为什么合成数据生成方法需要在上下文中进行评估变得显而易见。
2022-08-02 cs.AI cs.CY cs.LG
A new type of federated clustering: A non-model-sharing approach
Center for Artificial Intelligence Research（人工智能研究中心）；Tsukuba Institute for Advanced Research（茨口高级研究机构）；University of Tsukuba（茨口大学）；Graduate School of Science and Technology（科学与技术研究生院）；Institute of Systems and Information Engineering（系统与信息工程研究所）
本文提出了一种新的联邦聚类方法DC-Clustering，通过非模型共享实现复杂数据划分场景下的协同聚类，兼顾隐私保护与通信效率。
2026-01-06 cs.LG
Multi-task Prediction of Disease Onsets from Longitudinal Lab Tests
Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所）
机器学习的不同领域都受益于模型，这些模型可以将未经预处理的原始数据作为输入，并学习原始数据的丰富表示，以便在给定的预测任务中表现良好。我们通过使用实验室测试的纵向测量来评估这种方法，这是临床数据中广泛使用的患者健康状态的原始信号之一，以预测疾病发作。特别是，我们训练了一个长短期记忆（LSTM）递归神经网络和两个新型卷积神经网络，用于对133种疾病的发病进行多任务预测，这些疾病是基于18项常见的实验室测试，这些测试是在一个由298K名患者组成的队列中进行的，这些患者来自8年的行政索赔数据。我们将神经网络与具有几个手工设计的临床相关特征的逻辑回归进行比较。我们发现，基于表征的学习方法显着优于这一基线。我们相信，我们的工作提出了一个新的途径，病人的风险分层的基础上，完全实验室结果。
2016-09-20 cs.LG
Anomaly Detection in Double-entry Bookkeeping Data by Federated Learning System with Non-model Sharing Approach
University of Tsukuba（筑波大学）
针对财务审计中敏感日记账数据难以共享的问题，提出基于数据协作的非模型共享联邦异常检测框架，仅需单轮通信，在八家医疗机构数据上优于FedAvg和FedProx，兼顾隐私与性能。
2025-08-01 cs.LG
Variable-sized input, character-level recurrent neural networks in lead generation: predicting close rates from raw user inputs
预测铅关闭率是铅代行业中最有问题的任务之一.在大多数情况下，关于前景的唯一可用数据是用户在潜在客户表单上输入的自我报告信息以及通过社交媒体和搜索引擎使用公开可用的其他一些数据点。所有主要的市场利基为铅一代[1]，如保险，健康&医疗和房地产，处理改变生活的决策，没有任何数量的数据将永远无法描述或预测。本文阐述了如何字符级，深度长短期记忆网络可以应用于原始用户输入，以帮助预测关闭率。然后，模型的输出被用作一个额外的、高度预测的功能，以显著提高潜在客户评分模型的性能。
2019-01-16 cs.CL cs.LG
A Deep Learning Approach to Private Data Sharing of Medical Images Using Conditional GANs
Purdue University（普渡大学）；Novartis（诺华）；Oxford Big Data Institute（牛津大数据研究所）
共享临床研究数据可以促进创新的数据驱动研究，并最终改善公共卫生。然而，共享生物医学数据可能会使敏感的个人信息面临风险。这通常通过匿名化来解决，这是一个缓慢而昂贵的过程。匿名化的另一种选择是共享一个合成数据集，该数据集具有与真实数据类似的行为，但保留了隐私。作为诺华和牛津大数据研究所合作的一部分，我们基于COSENTYX（阿基诺单抗）强直性脊柱炎临床研究生成了一个合成数据集。我们应用辅助分类器GAN来生成脊椎单位的合成MRI。图像以VU位置（颈椎、胸椎和腰椎）为条件。在本文中，我们提出了一种生成合成数据集的方法，并沿着三个关键指标：图像保真度，样本多样性和数据集隐私对其属性进行了深入分析。
2021-08-19 cs.LG
Hybrid Quantum Deep Learning Model for Emotion Detection using raw EEG Signal Analysis
School of Electronics Engineering, Vellore Institute of Technology（韦洛尔理工学院电子工程学院）
针对传统基于EEG的情绪识别受噪声和高维数据限制的问题，提出混合量子深度学习模型，结合量子增强特征提取与传统深度学习分类，预处理后捕捉脑波模式及带间相互作用，提升情绪识别准确性，为相关领域应用提供工具。
2024-11-19 cs.AI cs.LG eess.SP
Hybrid RAG-empowered Multi-modal LLM for Secure Data Management in Internet of Medical Things: A Diffusion-based Contract Approach
Guangdong University of Technology（广东工业大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Guangzhou University of Traditional Chinese Medicine（广州中医药大学）；The Second Affiliated Hospital of Guangzhou University of Chinese Medicine（广州中医药大学第二附属医院）
针对医疗物联网中医疗MLLM面临的数据安全与时效性问题，提出混合RAG赋能的医疗MLLM框架，结合分层跨链架构、合约理论与扩散模型强化学习，实现安全高效的医疗数据管理。
2024-12-09 cs.AI cs.LG
Multi-Continental Healthcare Modelling Using Blockchain-Enabled Federated Learning
School of Computing, Newcastle University（新castle大学计算机学院）；Department of Computing, Imperial College London（伦敦帝国理工学院计算机系）；Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（上海智能自主系统研究所，同济大学）；College of Electronics and Information Engineering, Tongji University（同济大学电子与信息工程学院）；University College London Hospital（伦敦大学学院医院）
本文提出一种基于区块链联邦学习的多洲医疗建模框架，在不共享本地数据的情况下利用欧洲、北美和亚洲数据集进行血糖管理预测，实验证明其有效、高效且保护隐私，性能优于局部模型并接近集中式训练。
2025-10-09 cs.AI cs.CR cs.LG
Exploring Scalable, Distributed Real-Time Anomaly Detection for Bridge Health Monitoring
University of Bologna（博洛尼亚大学）；University of Trento（特伦托大学）；ETH Zurich（苏黎世联邦理工学院）
现代实时的【形】结构健康监测系统可以生成大量的信息，这些信息必须经过处理和评估，以检测早期异常并生成有关民用基础设施状况的及时警告和警报。如果必须从数千座建筑物中收集原始数据，则当前基于云的解决方案无法扩展。本文提出了一种用于SHM系统的高效且可扩展的异常检测管道的全栈部署，该系统不需要将原始数据发送到云端，而是依赖于边缘计算。首先，我们对异常检测的三种算法方法进行基准测试，即，主成分分析（PCA）、全连接自动编码器（FC-AE）和卷积自动编码器（C-AE）。然后，我们将它们部署在边缘传感器STM32 L4上，该传感器具有有限的计算能力。我们的方法将网络流量减少了$\approx8\cdot10^5\times$，从780 KB/小时减少到单个安装的不到10 KB/小时，并最大限度地减少了网络和云资源利用率，从而实现了监控基础设施的扩展。一个真实的案例研究，在意大利的一座公路桥，表明结合近传感器计算的异常检测算法，智能预处理，和低功耗广域网络协议（LPWAN），我们可以大大降低数据通信和云计算成本，而异常检测的准确性不会受到不利影响。
2022-03-10 cs.LG cs.NI eess.SP
SynEHRgy: Synthesizing Mixed-Type Structured Electronic Health Records using Decoder-Only Transformers
EPFL（洛桑联邦理工学院）
本文提出SynEHRgy方法，通过定制分词策略和GPT式仅解码器Transformer，在MIMIC-III数据集上生成高质量混合类型合成EHR，并在保真度、实用性和隐私性上达到领先水平。
2024-11-20 cs.AI cs.LG
Personalized Observation Normalization for Federated Reinforcement Learning in Simulation Environments with Heterogeneity
Department of Electrical Engineering \& Computer Science Florida Atlantic University Boca Raton, FL, USA
针对联邦强化学习在异构环境中状态转移动力学差异导致输入分布不一致和参数更新不平衡的问题，提出个性化观测归一化方法，通过各智能体本地维护运行均值和方差对原始状态输入进行归一化，加速训练并提升性能。
2026-04-10 cs.AI cs.LG
Distributed collaborative anomalous sound detection by embedding sharing
Hitachi Ltd.（日立公司）
本文提出一种基于嵌入共享的分布式协作异常声音检测方法，各客户端使用通用预训练模型计算嵌入并在服务器聚合，通过离群点暴露进行检测，使异常声音检测的AUC平均提升6.8%。
2024-03-25 cs.CR cs.LG cs.SD
Ontology- and LLM-based Data Harmonization for Federated Learning in Healthcare
Institute of Informatics University of Amsterdam（信息学院阿姆斯特丹大学）；College of Medicine The Ohio State University（医学学院俄亥俄州立大学）；Department of Neuroscience University of California（神经科学系加州大学）；School of Medicine Indiana University（医学院印第安纳大学）
针对医疗数据异构和隐私问题，提出整合本体与大语言模型的两步数据对齐策略，支持安全联邦学习，并在真实EHR项目中验证有效性。
2025-05-26 cs.LG cs.SE
Generating Benchmark Health Data Using a Tabular Diffusion Transformer
针对现有合成表格数据生成方法难以处理多异构表格的局限，本文提出两阶段跨表格数据生成框架，结合扩散Transformer实现高保真合成数据生成，验证了其有效性。
2026-08-17 cs.AI cs.LG
Industrial Tokenization for LLM-Based Health Intelligence: A Federated Architecture for Industrial Evidence Integration
Mingyang Smart Energy Co., Ltd.（明阳智慧能源集团股份有限公司）
研究工业健康管理中异构信息源集成问题，提出工业令牌化概念及联邦架构，将特定源分析输出转为工业令牌，以实现跨源推理。给出基于振动诊断输出等的端到端诊断令牌路径，定位工业令牌化为语义接口。
2026-07-27 cs.AI cs.LG
Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions
USC（美国大学）；Apple Inc（苹果公司）
本文利用162K个体超过25亿小时的可穿戴行为数据开发基础模型，通过优化架构与分词策略，在57项健康任务中表现优异，证明行为数据基础模型可显著提升健康预测能力。
2025-06-30 cs.AI cs.LG
FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
生存分析，时间事件分析，是一个重要的问题，在医疗保健，因为它有广泛的影响，病人和姑息治疗。许多生存分析方法都假设生存数据可以从一个医疗中心集中获得，或者通过多个中心的数据共享获得。然而，患者属性的敏感性和严格的隐私法律越来越禁止医疗保健数据的共享。为了应对这一挑战，研究界已经研究了使用联邦学习（FL）范式的分散训练和共享模型参数的解决方案。在本文中，我们研究利用FL进行生存分析的分布式医疗数据集。最近，流行的Cox比例风险（CPH）模型已适用于FL设置;然而，由于其线性和比例风险假设，CPH模型导致次优性能，特别是对于非线性，非iid和严重删失的生存数据集。为了克服现有联邦生存分析方法的挑战，我们利用深度学习模型的预测准确性和伪值的强大功能，提出了一种用于联邦生存分析（FSA）的基于伪值的深度学习模型FedPseudo。此外，我们介绍了一种新的方法，推导出的生存概率的伪值的FL设置，加快了伪值的计算。在合成数据集和真实世界数据集上进行的大量实验表明，我们基于伪值的FL框架与最佳集中训练的深度生存分析模型具有相似的性能。此外，我们提出的FL方法获得了最好的结果，为各种删失设置。
2022-07-12 cs.LG stat.ME
Federated Learning for Privacy-Preserving Open Innovation Future on Digital Health
Australian Department of Health（澳大利亚卫生部）；University of Technology Sydney（悉尼科技大学）
隐私保护是人工智能领域一个备受关注的伦理问题。联邦学习是一种新的机器学习范式，用于在用户或组织之间学习共享模型，而无需直接存取数据。它有很大的潜力成为下一个通用的AI模型训练框架，提供隐私保护，因此对数字健康和医疗保健信息学的未来具有广泛的影响。在医疗保健行业实施开放式创新框架，即开放式医疗，旨在通过与合作伙伴组织和研究界建立下一代合作框架，提高医疗保健相关组织的创新和创造能力。特别是，这个改变游戏规则的协作框架提供了来自不同数据的知识共享，同时保护了隐私。本章将讨论联邦学习如何在人工智能的支持下实现开放的健康生态系统的发展。将讨论联邦学习的现有挑战和解决方案。
2021-08-24 cs.AI cs.CR cs.DC
Synthetic Learning: Learn From Distributed Asynchronized Discriminator GAN Without Sharing Medical Image Data
Rutgers University（罗格斯大学）；Cornell University（康奈尔大学）；Stony Brook University（石溪大学）；Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个数据隐私保护和通信效率的分布式GAN学习框架命名为分布式异步判别器GAN（AsynD GAN）。我们提出的框架旨在训练一个中央生成器从分布式学习器中学习，并使用生成的合成图像单独训练分割模型。实验表明，该方法：1）可以从多个数据集学习真实图像的分布，而无需共享患者的原始数据。2)比其他分布式深度学习方法更有效，需要更低的带宽。3)与由一个真实数据集训练的模型相比，它的性能更高，与由所有真实数据集训练的模型相比，它的性能几乎相同。4)具有可证明的保证，即生成器可以以所有重要的方式学习分布式分布，因此是无偏的。
2020-06-14 cs.CV cs.LG eess.IV
Compressed Gastric Image Generation Based on Soft-Label Dataset Distillation for Medical Data Sharing
Hokkaido University（北海道大学）
背景和目的：为了实现医疗信息的跨机构流动和构建高精度的计算机辅助诊断系统，需要共享医疗数据。然而，大尺寸的医疗数据集、保存的深度卷积神经网络（DCNN）模型的大量内存以及患者的隐私保护都是可能导致医疗数据共享效率低下的问题。因此，本研究提出一种新的软标签数据集蒸馏方法，用于医疗数据共享。研究方法：该方法提取医学图像数据的有效信息，生成多幅具有不同数据分布的压缩图像，实现匿名医学数据共享。此外，我们的方法可以提取DCNN模型的基本权重，以减少存储训练模型所需的内存，从而实现高效的医疗数据共享。结果如下：所提出的方法可以将数万张图像压缩成几张软标签图像，并将训练模型的大小减小到原始大小的百分之几。在蒸馏后获得的压缩图像已经在视觉上匿名化;因此，它们不包含患者的私人信息。此外，我们可以用少量的压缩图像实现高检测性能。结论：实验结果表明，该方法可以提高医疗数据共享的效率和安全性。
2022-11-01 cs.AI cs.CV cs.LG
