用于分散和保密的临床机器学习的群体学习
Stefanie Warnat-Herresthal1,2, Hartmut Schultze3, Krishnaprasad Lingadahalli Shastry3
1Systems Medicine, Deutsches Zentrum für Neurodegenerative Erkrankungen (DZNE), Bonn, Germany.
Nature
|May 27, 2021
概括
群体学习是一种分散的方法, 能够安全地整合全球医疗数据以检测疾病. 这种方法提高了精准医疗的性能,
科学领域:
- 医学的人工智能
- 生物信息学
- 数据隐私
背景情况:
- 精准医学旨在快速,可靠地检测复杂的疾病.
- 机器学习可以识别白血病等疾病.
- 隐私立法对整合多样化的医疗数据提出了挑战.
研究的目的:
- 介绍Swarm学习,一种分散的机器学习方法.
- 促进全球医疗数据的整合,同时维护隐私法.
- 展示Swarm学习对于开发疾病分类器的可行性.
主要方法:
- 群体学习结合了边缘计算,区块链和点对点网络.
- 没有中央协调员的去中心化方法保持机密性.
- 应用于四种异质性疾病:COVID-19,结核病,白血病和肺病.
主要成果:
- 使用了来自127项研究的超过16,400个血液转录组和95,000张胸部X射线图像.
- 与特定站点模型相比,群体学习分类器表现出更高的性能.
- 这种方法本质上符合当地数据保密法规.
结论:
- 对于分布式医疗数据分析, Swarm Learning 提供了一个保护隐私的解决方案.
- 这种分散的方法加速了精准医学的进步.
- 在不同数据集和患者群体中实现强大的疾病分类.
