医疗领域联邦学习：模型失职、安全性、挑战、应用及未来研究方向——系统综述
密码学与安全
2024-05-24 v1 人工智能
机器学习
摘要
由于医疗记录和数据驱动医疗研究的数字化不断增加，数据隐私已成为医疗领域的主要关注议题。保护患者敏感信息免受数据泄露和未授权访问的威胁至关重要，因为此类事件可能引发严重的法律和伦理后果。联邦学习 (FL) 通过使多个医疗机构能够在不共享数据的情况下协同学习，从而解决了上述隐私问题。FL 在医疗领域的应用范围涵盖疾病预测、治疗个性化及临床试验研究等方面。然而，FL 的实际实施面临诸多挑战，包括非独立同分布 (non-IID) 数据环境下的模型收敛问题、通信开销以及跨机构协作管理等。对医疗领域 FL 的系统性综述有必要评估 FL 在提供隐私保护的同时，如何维持医疗数据分析的完整性和可用性。本研究分析了医疗领域 FL 应用的既有文献，探讨了当前模型安全实践的现状，识别了普遍存在的挑战，并讨论了实际应用及其影响。此外，综述还概述了旨在细化 FL 实现、增强数据安全协议并将 FL 的应用范围拓展至更广泛医疗场景的前景研究方向，这些方向将为未来的研究者和实践者带来益处。
引用
@article{arxiv.2405.13832,
title = {Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review},
author = {Md Shahin Ali and Md Manjurul Ahsan and Lamia Tasnim and Sadia Afrin and Koushik Biswas and Md Maruf Hossain and Md Mahfuz Ahmed and Ronok Hashan and Md Khairul Islam and Shivakumar Raman},
journal= {arXiv preprint arXiv:2405.13832},
year = {2024}
}