面纱后的视觉：联邦学习中用于医学图像分类的差分隐私

深度学习在医疗健康领域的应用激增，要求跨多家机构聚合数据，而这种做法常伴随显著的隐私担忧。在医学图像分析中，由于数据本身具有敏感性，隐私保护机制至关重要。联邦学习能够在无需直接数据交换的情况下实现协作式模型训练，提供了一种有前景的解决方案。然而，联邦学习固有的脆弱性需要进一步隐私保障。本研究通过将差分隐私（一种领先的隐私保护技术）整合进用于医学图像分类的联邦学习框架，来满足这一需求。我们引入了一种新颖的差分隐私联邦学习模型，并细致考察了其对隐私保护与模型性能的影响。我们的研究证实了模型精度与隐私设置之间存在权衡。然而，我们展示了通过策略性地标定差分隐私中的隐私预算，可在提供实质性隐私保护的同时维持稳健的图像分类性能。