用于隐私保护医疗平台的时空拆分学习：基于COVID-19 CT、X射线和胆固醇数据的案例研究
机器学习
2021-08-24 v1 人工智能
图像与视频处理
摘要
机器学习需要大量的样本数据，尤其是在高精度医疗应用中使用时。然而，患者记录是最敏感的私人信息之一，通常不在机构间共享。本文提出了时空拆分学习，一种分布式深度神经网络框架，这是允许隐私敏感组织之间进行协作的一个转折点。我们的时空拆分学习展示了如何在最小化隐私顾虑的情况下高效地进行分布式机器学习。所提出的拆分学习由多个客户端和一个集中式服务器组成。每个客户端仅有一个隐藏层，作为隐私保护层，而集中式服务器包含其他隐藏层和输出层。由于集中式服务器不需要访问训练数据，而是使用从隐私保护层接收到的参数来训练深度神经网络，因此原始数据的隐私得到了保证。我们创造了“时空拆分学习”这一术语，因为多个客户端在空间上分布以覆盖来自不同参与者的多样化数据集，并且我们可以在时间上拆分学习过程，将隐私保护层与其余学习过程分离，以最小化隐私泄露。本文展示了如何使用我们提出的多站点时空拆分学习算法，在确保隐私的同时分析冠状病毒病-19（COVID-19）胸部计算机断层扫描（CT）、骨骼肌肉放射影像（MURA）X射线图像以及胆固醇水平等医疗数据。
引用
@article{arxiv.2108.10147,
title = {Spatio-Temporal Split Learning for Privacy-Preserving Medical Platforms: Case Studies with COVID-19 CT, X-Ray, and Cholesterol Data},
author = {Yoo Jeong Ha and Minjae Yoo and Gusang Lee and Soyi Jung and Sae Won Choi and Joongheon Kim and Seehwan Yoo},
journal= {arXiv preprint arXiv:2108.10147},
year = {2021}
}