用PPML-HMI进行个性化和保护隐私的联合异质医学图像分析
Juexiao Zhou1, Longxi Zhou1, Di Wang1
1Computer Science Program, Computer, Electrical and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology (KAUST), Thuwal, 23955-6900, Kingdom of Saudi Arabia; Computational Bioscience Research Center, Computer, Electrical and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology (KAUST), Thuwal, 23955-6900, Kingdom of Saudi Arabia.
本研究介绍了PPPPML-HMI,这是个性化和保护隐私的联合医学图像分析的新框架. 它可以在没有模型修改或数据共享的情况下对异质数据进行分析,从而提高安全性和实用性.
科学领域:
- 医学成像分析 医学成像分析
- 联邦学习学习 (Federated Learning) 是一种学习方式.
- 数据 隐私 数据 隐私 数据
背景情况:
- 医院使用不同的设备和模型,导致异质的医学成像数据.
- 现有的联合学习框架缺乏个性化和强大的隐私,无法进行异质的医学图像分析.
- 需要开源解决方案,不需要修改模型或私人数据共享.
研究的目的:
- 提出PPPML-HMI,一个新的开源范式,用于个性化和保护隐私的联合异质医学图像分析.
- 解决医疗成像联合学习中个性化和隐私的同时挑战.
- 提供适用于各种医学成像任务和数据分布的灵活框架.
主要方法:
- 整合PerFedAvg算法进行个性化.
- 设计一种新型的循环安全聚合与同态加密的设计,以保护隐私.
- 适用于模拟 (RAD-ChestCT分类) 和现实世界 (COVID-19 CT细分) 任务.
- 评估使用改进的从梯度的深度泄漏来模拟敌对攻击.
主要成果:
- 展示了强大的隐私保护能力,对抗模拟的对抗性攻击.
- 在不同任务和网络架构中实现了有效的个性化和保护隐私的联合学习.
- 展示了PPPPML-HMI在异质医学图像数据集上的概括性.
结论:
- PPPML-HMI为个性化和保护隐私的联合异质医学图像分析提供了强大的解决方案.
- 该框架有效地平衡了个性化和隐私,而不会损害数据或要求改变模型.
- PPPML-HMI显示了推动安全和适应性医疗AI研究的巨大潜力.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
09:06Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI—Application in Premanifest Huntington's Disease
Published on: June 9, 2018