在生物医学研究中实现端到端的安全联合学习,在异质计算环境中使用 APPFLx

科学领域:

• 生物医学机器学习
• 联邦学习学习 (Federated Learning) 是一种学习方式.
• 数据 隐私 数据 隐私 数据

背景情况:

• 大规模的生物医学机器学习 (ML) 项目需要跨机构的安全合作.
• 现有的联合学习 (FL) 环境在确保数据机密性方面面临挑战,特别是在受保护的健康信息方面.
• 跨机构研究受到行政和数据安全边界的阻碍.

研究的目的:

• 介绍APPFLx,一个低代码,用户友好的FL框架,旨在安全,跨机构的生物医学ML.
• 实现安全的端到端通信,保护隐私的功能和强大的身份管理.
• 促进FL在没有修改的情况下部署到现有的计算基础设施中.

主要方法:

• 开发了APPFLx,这是一个支持安全FL实验设置和执行的框架.
• 通过两项生物医学案例研究证明了APPFLx的实用性:ECG的年龄预测和X射线图的COVID-19检测.
• 利用异构的计算资源,包括本地和云设施,进行安全的模型培训.

主要成果:

• APPFLx成功促进了机器学习模型对敏感生物医学数据的安全,跨机构培训.
• 使用APPFLx进行训练的联合学习模型与集中式模型相比,显示出更好的概括性和性能.
• 在整个培训过程中,数据仍然受到保护,确保了患者的隐私.

结论:

• APPFLx是一个有效且易于使用的框架,可以加速跨组织的生物医学研究.
• 该框架增强了对大型数据集的合作,同时保持了对私人医疗数据的强有力的保护.
• APPFLx克服了行政障碍,使医疗保健机构的安全和高效的联合学习成为可能.