机构名称：
¥ 1.0
背景：卫生保健深度学习的快速发展为自动化复杂的医疗任务和改善临床工作流程提供了重要的机会。但是，数据隐私问题和多个机构中大型，多样化的数据集的必要性阻碍了广泛的采用。联邦学习（FL）已成为可行的解决方案，从而实现了协作人工智能模型开发而无需共享个人患者数据。要有效地实施医疗保健，健壮和安全的基础设施至关重要。开发此类联合的深度学习框架对于利用人工智能的全部潜力同时确保患者数据隐私和监管合规性至关重要。目的：目的是引入一种创新的FL基础设施，称为个人健康培训（PHT），其中包括在现实世界中实施FL所需的程序，技术和治理组件，包括培训深度学习神经网络。该研究旨在将此联邦深度学习基础设施应用于肺癌患者的胸部计算机断层扫描图像的总肿瘤体积分割的用例，并介绍了概念验证实验的结果。方法：PHT框架在共享数据时，通过保持数据接近源并将分析带入数据时解决了数据隐私的挑战。结果：我们证明了使用PHT以联合方式执行深度学习算法的可行性，并从概念证明研究中介绍了结果。建议的基础架构解决从技术上讲，PHT需要3个相互依存的组件：“轨道”（受保护的通信渠道），“火车”（容器软件应用程序）和“站点”（机构数据存储库），这些（机构数据存储库）得到了开源“ Vantage6”软件的支持。这项研究将此联邦深度学习基础设施应用于肺癌患者的胸部计算机断层扫描图像的总肿瘤量进行分割的用例，并引入了一个称为安全聚合服务器的其他组件，其中模型平均是在可信和不可及的环境中进行的。基础设施将8个国家的12家医院联系起来，涵盖了4个大洲，证明了拟议方法的可扩展性和全球范围。在执行和培训深度学习算法期间，医院外没有共享数据。结论：讨论了概念证明研究的发现以及基础设施和结果的含义和局限性。由PHT框架和Vantage6平台促进的联合深度学习在非结构化医学成像数据中的应用代表了该领域的重大进步。
联邦深度学习研究
主要关键词
相关文件推荐
