一种可扩展的联合学习方法,用于与间歇性客户合作的智能医疗保健系统,使用医学成像

科学领域:

• 计算机科学,人工智能,机器学习,医疗信息学,数据隐私,数据隐私

背景情况:

• 医疗保健行业面临着严重的网络犯罪和隐私风险,原因是敏感的,分布式的健康数据.
• 现有的数据保护方法难以达到现代医疗保健所需的准确性和可持续性.
• 分散的医疗保健系统受到间歇性的远程客户端和不平衡的数据集的阻碍.

研究的目的:

• 为交互式智能医疗保健系统实施可扩展的联合学习 (FL) 框架.
• 为应对间歇性客户和偏远医疗机构不平衡数据集所带来的挑战.
• 通过协作,保护隐私的数据利用来增强患者诊断模型的开发.

主要方法:

• 为智能医疗保健系统使用胸部X射线图像实施了联合学习 (FL) 框架.
• 使用数据增强技术来平衡不平衡的数据集,以进行本地模型培训.
• 该框架与不同数量的客户 (5-18) 和数据大小进行了测试,以评估间歇性连接下的性能.

主要成果:

• 拟议的FL方法在处理间歇性客户和不平衡的数据集方面表现出了竞争力.
• 实验结果验证了该框架在各种测试场景中的可扩展性和有效性.
• FL方法成功地平衡了数据集,并在培训期间管理了客户的退出/加入.

结论:

• 联合学习提供了一个可行的,保护隐私的解决方案,用于开发分散医疗保健中的强大的诊断模型.
• 该研究鼓励医疗机构使用私人数据进行合作,以进行先进的患者诊断.
• 该FL框架通过克服远程医疗保健中的数据限制,支持开发强大的诊断工具.