面向隐私保护的机器人辅助手术的联邦深度强化学习
机器人学
2025-10-30 v2
摘要
将强化学习 (RL) 集成到机器人辅助手术 (RAS) 中具有显著的潜力，有助于提高手术精度、灵活性和自主决策能力。然而，受限于关键挑战，包括严格的患者数据隐私法规、有限的多样化手术数据集以及高 procedural 变异性，临床环境中开发健壮的 RL 模型受到阻碍。为解决这些限制，本文提出了 Federated Deep Reinforcement Learning (FDRL) 框架，使 RL 模型能够在多个医疗机构之间进行去中心化训练，而无需暴露敏感患者信息。本文提出框架的核心创新之一是其动态策略适应机制，允许手术机器人实时选择和调整患者专属策略，从而确保个性化且优化的干预。为维持严格的隐私标准同时促进协作学习，FDRL 框架集成了安全聚合、差分隐私和同态加密技术。实验结果显示，与传统方法相比，隐私泄露降低了 60%，手术精度保持在集中基线的 1.5% 误差范围内。本工作为自适应、安全、以患者为中心的 AI 驱动式手术机器人提供了基础方法，为临床转化和跨多样化医疗环境的可扩展部署铺平了道路。
引用
@article{arxiv.2505.12153,
title = {Federated Deep Reinforcement Learning for Privacy-Preserving Robotic-Assisted Surgery},
author = {Sana Hafeez and Sundas Rafat Mulkana and Muhammad Ali Imran and Michele Sevegnani},
journal= {arXiv preprint arXiv:2505.12153},
year = {2025}
}
备注
11 pages, 7 figures, conference