有效的差异隐私启用联合学习模型,用于使用胸部X射线图像检测COVID-19疾病

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 数据 隐私 数据 隐私 数据

背景情况:

• 由于COVID-19的流行,需要准确的疾病检测模型.
• 现有的机器学习 (ML) 和深度学习 (DL) 模型面临数据隐私和安全挑战.
• 联合学习 (FL) 提供了去中心化的方法,但需要强大的隐私机制.

研究的目的:

• 开发一种基于隐私的自适应差异化联合学习 (DPFL) 模型,用于使用胸部X射线图像进行COVID-19预测.
• 通过动态调整隐私级别来提高FL在医疗保健中的实际应用性.
• 提高COVID-19检测准确性和效率,同时确保数据隐私和安全.

主要方法:

• 在联邦学习框架内实施了自适应差异隐私机制.
• 利用胸部X射线图像进行COVID-19预测.
• 集成了一个早期停止机制,以优化通信空头.
• 在各种噪声尺度下评估模型性能,以确保隐私而不损害准确性.

主要成果:

• 拟议的DPFL模型通过胸部X射线图像展示了有效的COVID-19预测.
• 适应性隐私调整改善了FL在医疗保健环境中的实际应用.
• 该模型以最小的通信开销实现了高效的预测.
• 在各种噪音尺度上保持隐私,而不会显著地损失模型的实用性或准确性.

结论:

• 适应型DPFL模型为私人和准确的COVID-19检测提供了一个有希望的解决方案.
• 这种方法在敏感的医疗环境中增强了ML模型的安全性和隐私性.
• 可以探索进一步的策略,以加强模型的准确性和稳定性,同时保持隐私.