推进隐私保护医疗保健分析和实施个人健康列车:联合深度学习研究

科学领域:

• 医疗保健中的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.
• 医学成像分析 医学成像分析

背景情况:

• 深度学习为医疗保健自动化提供了巨大的潜力,但面临着数据隐私和需要大型多样化数据集的挑战.
• 联合学习 (FL) 允许在不共享患者数据的情况下进行协作AI模型开发,解决隐私问题.
• 强大而安全的联合深度学习基础设施对于在医疗保健中广泛采用人工智能至关重要.

研究的目的:

• 介绍个人健康列车 (PHT),这是一个创新的联合学习基础设施,用于真实世界的医疗保健数据.
• 详细说明PHT的程序,技术和治理组件,用于实施联合深度学习.
• 使用胸部CT图像,将PHT应用于肺癌患者的总瘤体积细分的概念验证.

主要方法:

• PHT框架将数据保持在源头,对数据进行分析以确保隐私.
• 关键的技术组成部分包括"轨道" (安全通道),"列车" (集装箱应用程序) 和"站" (数据存储库),由Vantage6软件支持.
• 引入了一个安全的聚合服务器,用于在肺癌细分使用案例中的可信模型平均值.

主要成果:

• 使用PHT基础设施展示了使用PHT基础设施的联合深度学习执行的可行性.
• 这项概念验证研究成功将四大洲8个国家的12家医院联系在一起,展示了可扩展性和全球影响力.
• 在算法执行和训练期间,没有患者数据在参与医院之外共享.

结论:

• PHT框架和Vantage6平台代表了医疗成像数据联合深度学习的重大进步.
• 该基础设施有效地解决了数据隐私的挑战,使医学人工智能工具的协作模型开发成为可能.
• 安全聚合服务器设计有助于防止数据泄漏问题在联合学习.