保护隐私的联邦脑瘤细分 保护隐私的联邦脑瘤细分

科学领域:

• 医疗人工智能 医疗人工智能
• 机器学习隐私 机器学习隐私
• 神经成像分析分析 神经成像分析

背景情况:

• 医疗数据隐私法规阻碍了用于人工智能模型培训的集中数据收集.
• 联合学习 (FL) 通过在本地培训模型和分享更新,而不是原始数据来解决这一问题.
• 然而,FL模型更新仍可能无意中泄露敏感患者信息.

研究的目的:

• 调查在联合学习框架内应用差异隐私 (DP) 技术的可行性.
• 评估DP在联邦模型培训期间保护患者数据的有效性.
• 评估DP对人工智能模型用于脑瘤细分的性能的影响.

主要方法:

• 实施联合学习系统用于脑瘤细分.
• 将差异性隐私机制集成和评估到联合学习过程中.
• 使用BraTS数据集进行性能评估,比较带有和没有DP的模型.

主要成果:

• 不同的隐私可以应用于医疗数据的联合学习设置.
• 实验结果表明,隐私保护水平和实现的模型性能之间存在明显的权衡.
• 该研究成功实施并评估了保护隐私的联合学习的实际系统.

结论:

• 差异隐私是一种可行的方法,可以在医疗应用的联合学习中增强患者数据保护.
• 在在联合学习系统中实施DP时,平衡隐私保证和模型准确性至关重要.
• 需要进一步的研究来优化这种对神经成像临床实用性的权衡.