机构名称：
¥ 1.0
CS＆it，Jain（被视为大学的大学）摘要：医疗保健部门正在经历各种健康数据的激增，涵盖了医疗成像，电子健康记录和可穿戴技术的实时传感器读数。通过促进更好的诊断准确性，定制的治疗方法以及对疾病的发展方式，整合这些多模式数据集具有改善医疗服务的巨大潜力。但是，在各个机构中集中了这些敏感的患者数据，引起了严重的隐私问题，并引发了围绕数据管理和行政监督的复杂问题。经过的学习已经浮出水面，作为利用可用数据的潜在方法，同时维护患者的隐私。联邦学习（FL）促进了一种协作方法，以模拟各个医疗机构之间的培训，使他们可以共同努力而无需交换其原始数据。本研究提出了一个专门设计用于整合多模式健康数据的创新FL框架。我们的方法解决了联合环境中数据可变性和模型集成问题的问题，目的是提高诊断精度和个性化治疗建议，同时保持患者数据的机密性。关键字：联合学习，多模式健康数据，隐私机器学习，电子健康记录（EHRS），医学成像整合，模型聚合个性化治疗计划
13 I 2025年1月https://doi.org/10.22214/ ...
主要关键词
相关文件推荐
