研究人员开发了一种基于AI的深度学习算法，用于在保护患者数据隐私的同时进行放射性图像数据诊断。通过联合学习和安全聚合技术，数据在不离开原始诊所的情况下进行训练，确保数据所有者的控制权和隐私。此外，应用差异隐私技术以防止个人数据被识别。这种方法已经在实际临床数据上得到验证，并可能扩展到其他医疗数据类型，为数字医学的进步打开新的可能性。
数字医学正在开辟全新的可能性。例如，它可以在早期检测出肿瘤。但是，新的人工智能算法的有效性取决于用于训练它们的数据的数量和质量。
为了最大限度地利用数据库，通常通过向正在接受算法培训的诊所发送数据库副本，在诊所之间共享患者数据。出于数据保护的目的，该材料通常经过匿名化和假名化过程，这个过程也招致批评。
基于 AI 的深度学习算法
为了解决这个问题，TUM的一个跨学科团队与伦敦帝国学院的研究人员和非营利的机构合作，开发了基于 AI 的放射性图像数据诊断流程的独特组合，以保护数据隐私。该团队现已提出一个成功的应用：一种深度学习算法，对儿童 X 光片中的肺炎情况进行分类。
"我们已经对专业放射科医生测试了我们的模型。在某些情况下，这些模型在诊断儿童各类肺炎方面表现出更好的准确性。"TUM 放射学系主任马库斯·马科夫斯基教授说。
数据仍留在现场
"为了保证患者数据的安全，它不应该离开收集数据的诊所，"项目负责人、TUM医学信息学、统计学和流行病学研究所的第一作者乔治·凯西斯说。
"对于我们的算法，我们使用联合学习，其中共享深度学习算法，而不是数据。我们的模型在各医院使用本地数据进行了培训，然后返回给我们。因此，数据所有者不必共享数据并保持完全控制，"第一作者、放射学研究所研究员亚历山大·齐勒说。
数据无法追溯到个人
为了防止识别接受过算法培训的机构，该团队应用了另一种技术：安全聚合。Kaissis 说：“我们以加密形式将算法组合在一起&#x
最低0.47元/天 解锁文章
2173
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
