保护隐私的联邦学习和医疗成像中的不确定性量化
Nikolas Koutsoubis1,2, Asim Waqas3, Yasin Yilmaz2
1Department of Machine Learning, Moffitt Cancer Center, Tampa, Fla.
Radiology. Artificial intelligence
|May 14, 2025
概括
医疗成像中的联合学习使用人工智能而不分享患者数据. 挑战包括隐私风险和性能下降,需要更好的不确定性量化可信的人工智能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 人工智能 (AI) 在诊断和治疗医疗成像方面表现有前途.
- 由于需要大量数据集,患者数据隐私问题阻碍了人工智能的采用.
- 联合学习 (FL) 允许在没有直接数据共享的情况下进行协作AI培训.
研究的目的:
- 审查联合学习,隐私保护技术和医学成像AI中的不确定性量化.
- 确定当前联合学习方法的局限性.
- 建议未来的研究方向,以提高隐私和可信度.
主要方法:
- 对医学成像中的联合学习现有文献的综述.
- 在联合学习框架内分析保护隐私的方法.
- 对联合模型的不确定性量化技术的检查.
主要成果:
- 联合学习允许跨机构的AI模型培训,同时保持患者的隐私.
- 从模型参数和数据分布转移的推断带来隐私和性能风险.
- 不确定性量化在异构的联合学习环境中至关重要但具有挑战性.
结论:
- 联合学习为医疗成像中的隐私保护人工智能提供了一条道路.
- 需要进一步的研究来解决隐私漏洞,并改善不确定性量化.
- 提高数据隐私和模型可信度是临床AI采用的关键.
