基于隐私保护协作的人工智能推进 COVID-19 诊断
人工智能
2023-12-20 v1 密码学与安全
摘要
人工智能(AI)为简化 COVID-19 诊断提供了一种有前景的替代方案。然而,安全性与可信度方面的担忧阻碍了大规模代表性医疗数据的收集,给临床实践中训练具有良好泛化能力的模型带来了相当大的挑战。为此,我们启动了统一 CT-COVID AI 诊断计划(UCADI),在联邦学习框架(FL)下,AI 模型可在各宿主机构分布式训练并独立执行,无需数据共享。在此我们表明,我们的 FL 模型大幅优于所有本地模型(中国测试灵敏度/特异度:0.973/0.951,英国:0.730/0.942),达到了与一组专业放射科医生相当的性能。我们进一步在留出的(来自另两家未参与 FL 的医院)和异质的(使用对比剂获取)数据上评估了该模型,提供了模型决策的可视化解释,并分析了联邦训练过程中模型性能与通信成本之间的权衡。我们的研究基于来自中国和英国 23 家医院的 3,336 名患者的 9,573 份胸部计算机断层扫描(CT)。总体而言,我们的工作推进了在数字健康中利用联邦学习实现隐私保护 AI 的前景。
引用
@article{arxiv.2111.09461,
title = {Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence},
author = {Xiang Bai and Hanchen Wang and Liya Ma and Yongchao Xu and Jiefeng Gan and Ziwei Fan and Fan Yang and Ke Ma and Jiehua Yang and Song Bai and Chang Shu and Xinyu Zou and Renhao Huang and Changzheng Zhang and Xiaowu Liu and Dandan Tu and Chuou Xu and Wenqing Zhang and Xi Wang and Anguo Chen and Yu Zeng and Dehua Yang and Ming-Wei Wang and Nagaraj Holalkere and Neil J. Halin and Ihab R. Kamel and Jia Wu and Xuehua Peng and Xiang Wang and Jianbo Shao and Pattanasak Mongkolwat and Jianjun Zhang and Weiyang Liu and Michael Roberts and Zhongzhao Teng and Lucian Beer and Lorena Escudero Sanchez and Evis Sala and Daniel Rubin and Adrian Weller and Joan Lasenby and Chuangsheng Zheng and Jianming Wang and Zhen Li and Carola-Bibiane Schönlieb and Tian Xia},
journal= {arXiv preprint arXiv:2111.09461},
year = {2023}
}
备注
Nature Machine Intelligence