面向医学应用的联邦学习：分类体系、当前趋势、挑战与未来研究方向
机器学习
2023-10-31 v5 密码学与安全
计算机视觉与模式识别
摘要
随着IoT、AI、ML和DL算法的出现，数据驱动的医学应用图景已成为从医疗数据中设计鲁棒且可扩展的诊断与预后模型的有前景途径。这在学术界与工业界都获得了大量关注，显著提升了医疗质量。然而，AI驱动医学应用的采用仍面临严峻挑战，包括满足安全性、隐私性与服务质量(QoS)标准。近期FL的发展使得以分布式方式训练复杂机器学习模型成为可能，并成为一个活跃的研究领域，特别是在网络边缘以去中心化方式处理医疗数据以保护隐私并解决安全问题。为此，本文探讨FL技术在医疗应用中的现状与未来，其中数据共享是一大显著挑战。我们深入研究了当前研究趋势及其成果，揭示了设计可靠且可扩展FL模型的复杂性。我们的论文概述了FL中的基本统计问题，解决设备相关问题，应对安全挑战，并梳理隐私关切的复杂性，同时强调其在医疗领域的变革潜力。我们的研究主要关注FL的医学应用，特别是在全球癌症诊断背景下。我们强调FL实现计算机辅助诊断工具的潜力，其比传统数据驱动方法更有效地应对该挑战。我们希望本综述可作为该领域的一个 checkpoint，总结当前最先进水平并指明开放问题与未来研究方向。
引用
@article{arxiv.2208.03392,
title = {Federated Learning for Medical Applications: A Taxonomy, Current Trends, Challenges, and Future Research Directions},
author = {Ashish Rauniyar and Desta Haileselassie Hagos and Debesh Jha and Jan Erik Håkegård and Ulas Bagci and Danda B. Rawat and Vladimir Vlassov},
journal= {arXiv preprint arXiv:2208.03392},
year = {2023}
}
备注
Accepted at IEEE Internet of Things Journal