一种用于阿尔茨海默病检测的分布式隐私保护模型

在医疗技术快速发展的时代，医疗数据的分割已不可避免，这促使开发能够在分布式数据上训练且保护隐私的机器学习算法。由于《健康保险可携性与责任法案》（HIPAA）实施的严格隐私法规，整合敏感医疗数据并不总是可行的。在本文中，我介绍了一个符合HIPAA的框架，该框架可以从分布式数据中训练。然后，我提出了一种用于阿尔茨海默病（AD）检测的多模态纵向联邦模型，AD是一种严重的神经退行性疾病，可导致痴呆，严重损害大脑功能并阻碍简单任务，尤其是在缺乏预防性护理的情况下。该纵向联邦学习（VFL）模型提供了一种分布式架构，能够在尊重HIPAA隐私约束的同时，跨不同来源的医疗数据进行协作学习。本文提出的VFL架构提供了一种新颖的分布式架构，能够在尊重法定隐私约束的同时，跨不同来源的医疗数据进行协作学习。通过利用多种数据模态，可以增强AD检测的鲁棒性和准确性。该模型不仅有助于联邦学习技术的进步，而且有望克服医学研究中数据分割带来的障碍。