联邦学习驱动的数字健康未来
计算机与社会
2021-01-18 v2 机器学习
摘要
数据驱动的机器学习已成为一种有前景的方法，用于从现代医疗系统收集的大量医疗数据中构建准确而稳健的统计模型。现有医疗数据尚未被机器学习充分利用，主要因为它处于数据孤岛之中，且隐私问题限制了对这些数据的访问。然而，若无充足数据访问，机器学习将无法发挥其全部潜力，并最终难以从研究走向临床实践。本文考量导致该问题的关键因素，探讨联邦学习（FL）如何为数字健康的未来提供解决方案，并强调需要应对的挑战与考量。
引用
@article{arxiv.2003.08119,
title = {The Future of Digital Health with Federated Learning},
author = {Nicola Rieke and Jonny Hancox and Wenqi Li and Fausto Milletari and Holger Roth and Shadi Albarqouni and Spyridon Bakas and Mathieu N. Galtier and Bennett Landman and Klaus Maier-Hein and Sebastien Ourselin and Micah Sheller and Ronald M. Summers and Andrew Trask and Daguang Xu and Maximilian Baust and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:2003.08119},
year = {2021}
}
备注
This is a pre-print version of https://www.nature.com/articles/s41746-020-00323-1