科学领域:

• 神经学 神经学
• 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) 正在彻底改变神经学诊断和治疗.
• 在AI应用中处理敏感的患者数据会带来严重的隐私风险.
• 集中式人工智能模型需要数据聚合,加剧了隐私问题.

研究的目的:

• 探索联合学习 (FL) 在人工智能中用于神经学研究的应用.
• 评估FL在解决与临床数据相关的隐私风险方面的可行性.
• 将FL模型的性能与神经疾病背景中的集中模型进行比较.

主要方法:

• 联邦学习 (FL) 方法用于人工智能模型培训.
• 人工智能模型在个别医院系统内进行本地训练.
• 只有模型重量或梯度被共享用于聚合训练,而不是原始患者数据.

主要成果:

• 联合学习 (FL) 模型实现了与集中式模型相比或更高的性能.
• 在中风,阿尔茨海默病和帕金森病数据集中成功应用.
• 通过将数据本地化,FL有效地减轻了隐私风险.

结论:

• 联合学习 (FL) 是一种可行且有效的方法,用于在神经学中保护隐私的AI.
• 在不影响患者保密的情况下,FL可开发强大的AI诊断和治疗工具.
• 这种方法促进了跨机构的协作人工智能研究,同时保护了敏感的健康信息.