从挑战与陷阱到建议与机遇：医疗领域联邦学习的实施
机器学习
2025-02-05 v2 人工智能
摘要
联邦学习在确保数据隐私和安全不受 compromise 的前提下，具有实现大规模医疗研究和跨中心合作的巨大潜力。尽管近期诸多研究表明或运用于医疗领域的联邦学习方法，但其潜在的临床实用价值仍不明确。本综述论文考察并分析了截至 2024 年 5 月最新研究，探讨了医疗领域中基于联邦学习的方法。经过全面审阅，我们发现绝大多数研究因方法学缺陷和/或潜在偏见问题（包括但不限于隐私 concerns、泛化性问题和通信成本等）而不适用于临床应用。因此，联邦学习在医疗领域的实际效果被显著削弱。为克服这些挑战，我们提供了一系列建议和有前景的机遇，旨在解决这些问题并提高医疗联邦学习模型开发的质量。
引用
@article{arxiv.2409.09727,
title = {From Challenges and Pitfalls to Recommendations and Opportunities: Implementing Federated Learning in Healthcare},
author = {Ming Li and Pengcheng Xu and Junjie Hu and Zeyu Tang and Guang Yang},
journal= {arXiv preprint arXiv:2409.09727},
year = {2025}
}
备注
Accepted by Medical Image Analysis