相关实验视频
Updated: May 1, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
使用联合学习和区块链保护视网膜成像免受敌对攻击的隐私保护技术
Zhen Ling Teo1, Xiaoman Zhang2, Yechao Yang2
1Singapore National Eye Centre, Singapore; Singapore Eye Research Institute, Singapore.
Ophthalmology
|October 18, 2024
概括
这项研究介绍了一种新的联合学习 (FL) 框架,该框架使用区块链技术进行了增强. 区块链支持的FL模型在医学图像分析中表现出强的性能,即使在对抗性攻击下,也确保了人工智能 (AI) 研究的安全协作.
科学领域:
- 医疗保健中的人工智能
- 机器学习用于医学成像
- 保护隐私的数据分析数据分析
背景情况:
- 协作AI模型开发需要强大的数据共享.
- 联合学习 (FL) 允许在没有原始数据传输的情况下进行保护隐私的模型培训.
- 目前的FL模型与非IID数据扎,并且容易受到隐私侵犯.
研究的目的:
- 提出一个与区块链技术集成的联合学习 (FL) 框架.
- 为应对非独立和相同分布 (非IID) 的医疗保健数据设置中的挑战.
- 加强FL模型的安全性和稳定性,防止隐私侵犯.
主要方法:
- 这是一项回顾性多队列研究,涉及来自新加坡,中国和台湾的27,145张图像.
- 开发一种新的FL聚合方法,用于检测近视性黄斑变性 (MMD) 和分类OCT黄斑病.
- 实施对抗性攻击 (标签翻转,清洁标签) 和整合区块链以确保模型更新的安全传输.
主要成果:
- FL模型实现了高性能:MMD检测的AUC为0.868,OCT分类的AUC为0.970.
- 该模型证明了对标签翻转 (AUC 0.861) 和清洁标签攻击 (AUC 0.878) 的稳定性.
- 区块链集成增加了最少的时间 (约. 5秒/全球时代) 到FL过程,证明了可行性.
结论:
- 拟议的FL算法有效地处理非IID数据和对抗性攻击.
- 区块链集成增强了合作研究中模型更新的安全性.
- 区块链支持的FL为推进医疗人工智能研究提供了一个安全可靠的平台.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
303
