面向智慧医疗的联邦学习：综述
机器学习
2021-11-18 v1 信号处理
摘要
通信技术与医疗物联网的最新进展变革了由人工智能（AI）赋能的智慧医疗。传统上，AI 技术需要集中式的数据收集与处理，但由于现代医疗网络的高扩展性以及日益增长的数据隐私担忧，这在现实医疗场景中可能不可行。联邦学习（FL）作为一种新兴的分布式协作 AI 范式，通过协调多个客户端（如医院）在不共享原始数据的情况下进行 AI 训练，对智慧医疗尤其具有吸引力。据此，我们对 FL 在智慧医疗中的使用进行了全面综述。首先，我们介绍了 FL 的最新进展、动机以及在智慧医疗中使用 FL 的需求。随后讨论了近期面向智慧医疗的 FL 设计，涵盖资源感知 FL、安全与隐私感知 FL、激励 FL 以及个性化 FL。接着，我们对 FL 在关键医疗领域的新兴应用进行了最先进（SOTA）的回顾，包括健康数据管理、远程健康监测、医学影像和 COVID-19 检测。我们分析了若干近期基于 FL 的智慧医疗项目，并强调了从本综述中获得的关键经验。最后，我们讨论了有趣的研究挑战以及未来智慧医疗中 FL 研究的可能方向。
引用
@article{arxiv.2111.08834,
title = {Federated Learning for Smart Healthcare: A Survey},
author = {Dinh C. Nguyen and Quoc-Viet Pham and Pubudu N. Pathirana and Ming Ding and Aruna Seneviratne and Zihuai Lin and Octavia A. Dobre and Won-Joo Hwang},
journal= {arXiv preprint arXiv:2111.08834},
year = {2021}
}
备注
Accepted at ACM Computing Surveys, 35 pages