关于联合学习的医学应用的调查
Geunho Choi1, Won Chul Cha1,2, Se Uk Lee2
1Department of Digital Health, SAIHST, Sungkyunkwan University, Seoul, Korea.
Healthcare informatics research
|February 15, 2024
概括
联合学习 (FL) 是培训医疗人工智能的隐私保护方法. 这一审查表明,FL正在医疗保健中出现,重点关注癌症和COVID-19的图像数据,并解决数据异质性和安全性.
科学领域:
- 医疗人工智能 医疗人工智能
- 医疗保健中的机器学习
- 医疗研究中的数据隐私
背景情况:
- 由于严格的隐私法规,培训医疗AI模型面临着挑战.
- 联合学习 (FL) 提供了一个解决方案,允许在没有直接数据共享的情况下进行模型培训.
- FL特别适合医疗领域,因为它强调数据隐私.
研究的目的:
- 审查联合学习在医学领域的当前应用.
- 根据数据类型,疾病和方法来对现有的FL研究进行分类.
- 确定医学FL研究中的关键挑战和趋势.
主要方法:
- 在Google Scholar和PubMed上使用与联合学习和医疗应用相关的关键词进行了文献搜索.
- 选择和分析了58篇相关论文.
- 研究根据数据类型,目标疾病,数据集使用,FL模型和神经网络架构进行了分类,并检查了异质性和安全问题.
主要成果:
- 图像数据是联合学习研究中最常用的数据类型.
- 癌症和COVID-19是最常被研究的目标疾病.
- 大多数研究使用了开放数据集,很大一部分研究数据异质性 (72%) 和安全问题 (50%).
结论:
- 医学中的联合学习是一个新兴领域,目前的研究经常使用特定疾病和数据类型的开放数据.
- 预计联合学习将在多机构医学研究中发挥越来越重要的作用.
- 解决数据异质性和安全性对于医疗FL的进步至关重要.
