面向疾病历史学习的 FAIR 隐私保护应用工程化
机器学习
2026-03-03 v1 人工智能
软件工程
摘要
近期关于“使用生成式转换器学习人类疾病自然史”的报告为评估面向隐私敏感领域的用户面向生成式 AI 应用的工程挑战提供了机会。特别是针对个人疾病风险预测等个性化医疗任务，这些模型的应用通常受数据隐私限制的约束。因此，该项目旨在进行浏览器端模型部署练习（即“App”），测试客户端推理生成的架构边界（无需下载或安装）。我们完全依赖参考报告中提供的文档开发模型，具体测试 FAIR 数据原则中的“R”（可发现性、可访问性、可互操作性和可重用性）组件。成功的模型部署利用 ONNX 和定制 JavaScript SDK，建立了面向医疗领域私有生成式 AI 的安全高性能架构蓝图。
引用
@article{arxiv.2603.00181,
title = {Engineering FAIR Privacy-preserving Applications that Learn Histories of Disease},
author = {Ines N. Duarte and Praphulla M. S. Bhawsar and Lee K. Mason and Jeya Balaji Balasubramanian and Daniel E. Russ and Arlindo L. Oliveira and Jonas S. Almeida},
journal= {arXiv preprint arXiv:2603.00181},
year = {2026}
}