神经学的联合学习:为大脑健康建立数据隐私和人工智能的桥梁
Sahar Soltanieh1, Farzad Khalvati1,2, E Ann Yeh1,3
1Division of Neuroscience and Mental Health, The Hospital for Sick Children, Toronto, ON, Canada.
Seminars in neurology
|December 29, 2025
概括
联合学习 (FL) 可以在不共享患者数据的情况下为神经系统疾病提供协作AI模型培训. 虽然对瘤细分等任务有希望,但广泛的临床使用需要克服技术和监管障碍.
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:
- 神经系统疾病影响全球数百万人,由于数据碎片化和隐私问题,这给AI临床翻译带来了挑战.
- 联合学习 (FL) 提供了一个解决方案,通过在机构之间实现协作模式培训,而无需共享原始患者数据.
- 对于各种神经学应用,从神经成像到电子健康记录,FL正在越来越多地被探索.
研究的目的:
- 在2020年至2025年期间审查神经学领域的联合学习应用.
- 分析现实世界FL部署,算法趋势和临床翻译障碍.
- 提出提高精密神经病学FL采用的策略.
主要方法:
- 系统审查神经学中的联合学习应用程序.
- 对专注于神经成像,电生理学和电子健康记录的研究进行分析.
- 检查技术,监管和组织方面的挑战.
主要成果:
- FL在神经成像 (例如,脑瘤细分,MS病变检测) 和基于EHR的预测建模中显示出可行性.
- 在神经病学中FL的验证临床实施仍然有限.
- 关键障碍包括隐私,数据标准化,监管合规性和运营可扩展性.
结论:
- 联合学习具有显著的潜力,可以在保持患者隐私的同时推进精密神经学.
- 隐私保护技术,标准化基础设施和跨学科合作等策略对于临床翻译至关重要.
- 将技术创新与监管和运营方面的考虑联系起来,对于FL的广泛采用至关重要.