面向多源隐私保护的临床疾病图像分类效果提升

医疗领域的隐私数据保护为数据共享带来了挑战，限制了跨医院整合数据以训练高精度辅助诊断模型的能力。传统的集中式训练方法难以应用，因违反隐私保护原则。联邦学习作为一种分布式机器学习框架，有助于解决此问题，但需要多个医院同时参与训练，这在实际中难以实现。为解决这些挑战，我们提出了基于数据向量的医疗隐私数据训练框架。该框架允许每个医院在私有数据上微调预训练模型，计算数据向量（表示模型参数在解空间中优化方向），并对其求和以生成集成来自多个医院模型信息的合成权重。该方法在不交换私有数据或要求同步训练的情况下提升模型性能。实验结果表明，该方法有效利用了分散的私有数据资源，同时保护了患者隐私。使用该方法训练的辅助诊断模型显著优于单一医院独立训练的模型，为解决医疗数据隐私保护与模型训练之间的矛盾问题，推动了医疗智能的发展。