在健康信息学中深度学习模型的分布式协作培训中进行分割学习

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 深度学习对医疗预测有希望,但由于数据孤岛和隐私问题,医疗保健组织难以普遍化.
• 合作模式培训受到不同机构维护数据隐私和安全的需要所阻碍.

研究的目的:

• 引入一种新的保护隐私的分布式学习框架,使用分割学习进行协作深度学习模型培训.
• 证明分割学习可以有效地在私人医疗数据集中训练可泛化深度学习模型,同时保持隐私.

主要方法:

• 实施了新的分割学习框架,用于深度学习模型的分布式训练.
• 利用生物医学成像和电子健康记录 (EHR) 数据集进行模型培训和评估.
• 与集中式和联合式学习方法相比,比较了分割学习绩效.

主要成果:

• 通过分割学习训练的深度学习模型实现了与集中和联合模型相比的性能.
• 分割学习框架显著提高了计算效率.
• 与传统的联合学习相比,拟议的方法证明了增强的隐私保护.

结论:

• 分割学习为训练可泛化深度学习模型在隔离的医疗保健数据中提供了可行的解决方案.
• 这种方法有效地平衡了模型性能,计算效率和医疗AI应用程序的强大隐私保护.