CMES本期精选文章“A Comprehensive Survey on Federated Learning in the Healthcare Area: Concept and Applications”（联邦学习在医疗保健领域的综合研究:概念及应用）。
文章详情
1. 前言
在过去的五年里，机器学习领域中的联邦学习逐渐成为一种强大且新颖的方法，特别是在保护隐私的数据分析方面。联邦学习的工作原理是在分散的数据源(如单个医院、诊所或患者设备)上训练机器学习模型，而不直接共享原始数据。相反，只有本地模型在客户机和参数服务器之间更新和交换。联邦学习由三个主要组件组成:客户机设备、联邦学习服务器和通信协议，如图1所示。
图1：联邦学习系统的概述
2. 联邦学习用于医疗保健
联邦学习系统有多种类型，每种类型都旨在解决分散机器学习场景中的特定挑战和需求。
2.1 水平联邦学习： 水平联邦学习的特点是水平共享数据，其中多个数据集具有相同的特征空间，但样本不同。
图2：水平联邦学习
2.2 垂直联邦学习： 可以在智能医疗保健环境中观察到医疗物联网应用程序中的垂直联邦学习实例，其中就有单位会共享用于协作培训的学习模型。
图3：垂直迁移学习
2.3 联邦迁移学习：引入联邦迁移学习的目的是为了解决在进行数据联合时分散数据难以整合的问题，并增强统计建模。
图4：联邦迁移学习
3. 相关工作
3.1 机器学习方法：机器学习技术利用在数据集上训练的算法来生成语言模型，能够完成图像分类、数据分析、趋势预测和语言翻译等任务，如图5所示。
图5：机器学习方法
3.2 深度学习方法：在深度学习方法中，引导计算机从输入中获取知识，并利用神经网络在数据之间建立复杂的联系。
图6：深度学习方法
3.3 联邦学习方法：联邦学习方法在不共享原始数据的情况下训练人工智能模型，其中不同的物联网设备上传其数据来训练一个集中式模型。每个物联网设备下载模型，对其数据进行训练，并对更新进行加密，然后发回，解码，平均化并集成到中央模型中。
图7：联邦学习方法
4. 智能医疗中联邦学习的优势
医学专业人员可以通过结合遗传信息、生活方式数据、临床记录和机器学习算法，识别与各种疾病相关的模式和风险因素，如图8所示。这种积极的方法通过促进早期干预、个性化治疗计划和预防措施，改善了患者的治疗效果，减轻了医疗保健系统的负担。
图8：智能医疗中联合学习的好处
5. 联邦学习的应用
联邦学习可以在以下几个方面影响医疗保健数据共享过程中的患者：隐私保护、知情同意、数据所有权和控制、数据可移植性、增强的临床决策支持系统和道德考虑。
图9：联邦学习在医疗保健中的应用
6. 挑战与方向
6.1 数据异构性：联邦学习在集成和处理如此广泛的数据类型时可能会遇到困难，同时还要维护医疗保健中的安全性和隐私性。
6.2 隐私和安全：为了保证整个联邦学习过程中敏感数据的机密性、完整性和隐私性，必须使用各种加密技术、隐私保护算法、可靠的授权过程和对抗性防御策略。
6.3 通信开销：高带宽需求、网络延迟、通信瓶颈、异构网络、隐私问题和异步更新是联邦学习中通信开销方面的一些问题。
6.4 模型聚合：模型聚合由将来自多个客户端或设备的本地训练模型组合在一起，生成全局模型，同时保持数据机密性和隐私性。
6.5 患者同意：利用差分隐私和安全多方计算等技术，可以在改善患者隐私的同时，提供对敏感医疗数据的合作研究。
6.6 数据不平衡：医疗保健单位、数据科学家和隐私专家之间的协作对于为医疗保健应用程序开发强有力且合理的机器学习解决方案至关重要。
6.7 模型初始化和同步：克服联邦学习医疗保健中模型初始化和同步中的这些挑战需要多学科方法，包括机器学习、医疗保健信息学、隐私保护技术、法规遵从性以及医疗保健系统和实践的特定领域知识。
6.8 缺乏标准化：标准化计划应侧重于标准化数据格式、协议、隐私保护策略、监管框架和治理过程，以促进联邦学习更好地应用于医疗保健，同时保证患者隐私、数据安全性和法规遵从性。
7. 结论
本文考察了联邦学习为医疗保健革命带来的潜力，包括围绕该领域最新研究的全面调查和深入对话。在本文中，对联邦学习的基本概念及其相关框架、技术和各种联邦学习相关主题的最新研究进行了广泛的调查。该调查为了解联邦学习的各种构成，探索其优缺点以及实施策略奠定了坚实的基础。
扫码阅读全文
引用格式：
APA Style
Upreti, D., Yang, E., Kim, H., Seo, C. (2024). A comprehensive survey on federated learning in the healthcare area: concept and applications. Computer Modeling in Engineering & Sciences, 140(3), 2239-2274. https://doi.org/10.32604/cmes.2024.048932
Vancouver Style
Upreti D, Yang E, Kim H, Seo C. A comprehensive survey on federated learning in the healthcare area: concept and applications. Comput Model Eng Sci. 2024;140(3):2239-2274 https://doi.org/10.32604/cmes.2024.048932
IEEE Style
D. Upreti, E. Yang, H. Kim, and C. Seo "A Comprehensive Survey on Federated Learning in the Healthcare Area: Concept and Applications," Comput. Model. Eng. Sci., vol. 140, no. 3, pp. 2239-2274. 2024. https://doi.org/10.32604/cmes.2024.048932
CMES期刊简介
Computer Modeling in Engineering & Sciences 期刊专注于刊发具有合理永久价值的原创研究论文和综述，涉及固体、流体、气体、生物材料和其他连续体的计算力学、计算物理、计算化学和计算生物学等领域。欢迎新颖的计算方法和最先进的计算算法，例如软计算、基于人工智能的机器学习方法和计算统计方法。
扫码进入期刊主页
版权声明
本文由泰克赛思南京办公室负责编译。详细内容请以英文原版为准。如需转载，请于公众号后台留言咨询。
喜欢今天的内容？给我们点个【在看】吧！
