联邦学习在医疗健康中的近期方法学进展
机器学习
2023-10-05 v1 人工智能
摘要
对于医疗数据集，由于伦理、隐私或后勤方面的顾虑，通常无法合并来自多个站点的数据样本。联邦学习允许利用强大的机器学习算法而无需汇集数据。医疗数据同时具有许多挑战，需要新方法来解决，例如高度孤岛化的数据、类别不平衡、缺失数据、分布偏移和非标准化变量。联邦学习给传统的集中式机器学习增加了显著的方法学复杂性，需要分布式优化、节点间通信、模型聚合和模型重分发。在本系统综述中，我们考虑 Scopus 上 2015 年 1 月至 2023 年 2 月间发表的所有描述用于解决医疗数据挑战的新联邦学习方法学的论文。我们对符合这些标准的 89 篇论文进行了详细综述。在文献中发现了显著的系统性问题，损害了所综述许多论文的方法学。我们给出详细建议以帮助提高医疗联邦学习的方法学开发质量。
引用
@article{arxiv.2310.02874,
title = {Recent Methodological Advances in Federated Learning for Healthcare},
author = {Fan Zhang and Daniel Kreuter and Yichen Chen and Sören Dittmer and Samuel Tull and Tolou Shadbahr and BloodCounts! Collaboration and Jacobus Preller and James H. F. Rudd and John A. D. Aston and Carola-Bibiane Schönlieb and Nicholas Gleadall and Michael Roberts},
journal= {arXiv preprint arXiv:2310.02874},
year = {2023}
}
备注
Supplementary table of extracted data at the end of the document