医疗健康中的多模态联邦学习：综述

多模态机器学习的最新进展推动了医学领域准确且鲁棒 AI 系统的发展，尤其在集中式数据库系统中。与此同时，联邦学习（FL）取得进展，提供了一种去中心化机制，数据无需集中，从而增强了敏感医疗数据的安全与隐私。这两者的结合在保障本地数据持有机构中患者记录安全与隐私的同时，支持了医疗健康多模态学习的持续进展。本文简要概述了 FL 在医疗健康中的重要性，并勾勒出该领域内多模态联邦学习（MMFL）的当前最优方法。文章全面审视了该领域现有挑战，揭示了当前模型的局限性。最后，论文勾勒了未来进展的潜在方向，旨在弥合前沿 AI 技术与医疗应用中患者数据隐私迫切需求之间的鸿沟。