Նրա գրասենյակներ : Nicola Rieke Jonny Hancox Wenqi Li Fausto Milletarì Holger R. Roth Shadi Albarqouni Spyridon Bakas Mathieu N. Galtier Bennett A. Landman Klaus Maier-Hein Sébastien Ourselin Micah Sheller Ronald M. Summers Andrew Trask Daguang Xu Maximilian Baust M. Jorge Cardoso Նրա գրասենյակներ : Nicola Rieke-ի մասին Ջոնին Hancox Բրիտանիա Li Fausto Milletarì Վիքիպահեստում Holger R. Roth Վիքիպահեստում Բրիտանիա Albarqouni Հիմնական հոդված՝ Spyridon Bakas Mathieu N. Galtier Bennett A. Landman Վիքիպահեստում Բրիտանիա Maier-Hein Sébastien Ourselin- ը Micah Sheller Վիքիպահեստում Ռոնդոն Մ. Summers Ապրիլ Track Բրիտանիա Maximilian Բարթ Jorge Cardoso-ի մասին Ապրիլ Տեղադրված մեքենայի ուսուցման (ML)- ը հայտնվել է, քանի որ այն խոշորում է ճշգրտական եւ խոշոր մոդելներ ստեղծելու համար բժշկական տվյալների վրա, որոնք մանրամասն բժշկական համակարգերի կողմից հավաքվում են մեծ քանակով: Մարդկային տվյալները ML- ի կողմից չի օգտագործվում ամբողջականորեն, քանի որ այն տեղադրվում է տվյալների սիլոում եւ անվտանգության խնդիրները սահմանափակում են այս տվյալների հասանելիությունը: Սակայն, առանց հասանելիության բավարար տվյալների, ML- ը չի կարող հասնել իր ամբողջ հզորությունը եւ, վերջապես, փոխանցել հետազոտությունների հետ բուժման գործառույթներին: Այս գրասենյակը տեսնում է, թե ինչպիսիք են այս խնդիրը, փորձում է, թե ինչպես federated learning (FL) կարող է Հիմնական Արդյունաբերական ինտերնետության (AI) հետազոտություններ, եւ հատկապես մեքենայի ուսուցման (ML) եւ Deep Learning (DL) առաջադեմները Հիմնական DL մոդելները առաջարկում են միլիոնավոր պարամետրեր, որոնք պետք է ուսուցվում են հարմարավետ մեծ մատակարարված տվյալների սերտիֆիկների հետ, որպեսզի ստանալ բուժական մակարդակի ճշգրտությունը, իսկ անվտանգ, ճշգրտ, ճշգրտ եւ համատեղելի են, եւ հպարտվում են լավ է նստած տվյալների համար: , , , . 1 2 3 4 5 Օրինակ, AI-based tumor detector- ի ուսուցման համար պահանջվում է մեծ բազան բազան, որը ներառում է հնարավոր անտամիկների, կատեգորիաների եւ մատակարարման տվյալների տեսակը: Այսպիսի տվյալները դժվար են ստանալ, քանի որ առողջության տվյալները շատ հզոր են եւ նրա օգտագործումը հզորորեն կարգավորվում է: Մինչեւ տվյալների անմատիվությունը կարող է վերցնել այդ սահմանափակումները, այժմ գիտելիք է, որ մետադանետների, ինչպիսիք են հիվանդի անունը կամ տունը, մետադանետների մեռնելը սովորաբար չպետք է տեւել անձնական կյանքի պաշտպանելու համար: Դա կարող է, օրինակ, reconstruct a patient's face from computed tomography (CT) կամ magnetic resonance imaging (MRI) տվյալների Մեկ այլ պատճառը, թե ինչպիսիք է տվյալների փոխանցման համակարգչային է առողջապահում, այն է, որ հավաքել, curating, եւ վերահսկել բարձր որակի տվյալների սերտիֆիկը պետք է մեծ ժամանակ, փորձ, եւ ծախսերը: Հետեւաբար, այդպիսի տվյալների սերտիֆիկները կարող են լինել կարեւոր բիզնես արժեքը, ինչպիսիք են, որ այն ավելի հեշտ է, որ նրանք կարող են անվճար փոխանցել. 6 7 8 Federated Learning (FL) Վիքիպահեստում , , Դիմում է, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում: , այն վերջին ժամանակին ստացել է հարմարավետությունը առողջության ծրագրերի համար , , , , , , , FL- ը թույլ է տալիս համատեղելիորեն ստանալ տեղեկատվություն, ինչպիսիք են, համոզվածության մոդելով, առանց բեռնել հաճախորդների տվյալները տեղադրված ինստիտուտների firewalls- ում: Բացի այդ, ML- ի գործընթացը կատարվում է տեղականորեն յուրաքանչյուր մասնակցող ինստիտուտում, եւ միայն մոդելային առանձնահատկությունները (պատոմսեր, gradients) փոխանցվում են, ինչպիսիք են սխալում: Վերջին հետազոտություններ ցույց են տալիս, որ FL- ի ուսուցված մոդելները կարող են հասնել արդյունավետության մակարդակներ, որոնք հարմարվում են կենտրոնացած մատակարարված տվյալների սարքերի հետ եւ գերազանց են մոդելների հետ, որոնք պարզապես տեսնում են միասնական ինտեգրտական տվյալները: , . 9 10 11 12 13 14 15 16 17 18 19 20 1 16 17 FL- ի սերվերի բաղադրիչը, որը տպավորվում է FL- ի գործառույթով, որտեղ դասընթացային կետերի federation- ը ստանում է ամբողջական մոդելը, վերցնում է իրենց որոշակի բաղադրիչների մոդելները կենտրոնական սերվերի համար բաղադրիչների համար, եւ ապա վերցնում է դասընթացը միասնական մոդելով, որը սերվը վերցնում է: FL peer-to-peer- ը FL- ի այլ ձեւավորումը, որտեղ յուրաքանչյուր ուսուցման կոճակը փոխանցում է իր մասում ուսուցված մոդելները մի քանի կամ բոլոր իր կոճերի հետ, եւ յուրաքանչյուրը կատարում է իր միավորությունը: Centralized training- ը ընդհանուր ոչ-FL- ի դասընթացների աշխատանքային պլան, որտեղ տվյալների ստուգման կայքները ձեր տվյալները ուղարկել են կենտրոնական Data Lake- ում, որտեղ նրանք եւ այլ մարդիկ կարող են արտադրել տվյալները տեղական, անմիջական դասընթացների համար: a b c Այսպիսով, FL- ի երջանիկ գործառույթը կարող է մեծ քանակով թույլ տալ ճշգրտության բժշկությունը, որը կօգնի այն մոդելներին, որոնք կատարում են անսահմանափակ որոշումներ, օպտիմալորեն համոզված են մի անձի ֆիզոլիկի, եւ զգալի են անսահմանափակ հիվանդությունների հետ, իսկ համոզված են կառավարման եւ անվտանգության խնդիրների համար: Սակայն, FL- ը դեռ պահանջում է ճշգրտական տեխնիկական փոխանակման, որպեսզի ապահովել է, որ ալբորմետիկը անսահմանափակորեն աշխատում է անվտանգության կամ հաճախորդների անվտանգության անսահմանափակության համար: Սակայն, այն կարող է վերադառնալ մանրամասների սահմանափակությունները, որոնք պահանջում են մի շարք կենտրոնական տվյալների: Մենք տեսնում ենք թվային առողջության թվային مستقبلը եւ այս պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրոֆեսիոնալ պրո Data-Driven Medicine- ը պահանջում է federated գործառույթներ ML- ը եւ հատկապես DL- ը շատ արդյունաբերություններում պրակտիկ գիտելիքի բացահայտման պրակտիկն է, բայց տվյալների հիմնված օգտագործման հաջողության համար պահանջվում են մեծ եւ տարբեր data sets: Այնուամենայնիվ, բժշկական data sets- ը դժվար է ստանալ (լուսանկարը «Data Dependency»): FL- ը այս խնդիրը լուծում է, որը թույլ է տալիս հետազոտական ուսուցման, առանց տվյալների կենտրոնացման (լուսանկարը «The Promise of Federated Efforts») եւ արդեն գտնել է ճանապարհը digital health applications- ում (լուսանկարը «Current FL efforts for digital health»): Այս նոր ուսուցման պրակտիկը պահանջում է, բայց նաեւ առաջարկում է առավելությունները, տարբեր Healthcare- ի մասնագետների համար (լուսանկարը «Impact on stakeholders»): The reliance on data Մինչեւ դա հայտնի պահանջն է, state-of-the-art ալբոմսերը սովորաբար գնահատվում են ճշգրտված տվյալների սերտիֆիկների վրա, ինչպիսիք են միայն մի քանի ռեժիմներ: Այսպիսով կարող է ստեղծել բաղադրիչներ, որտեղ բաղադրիչները (մայք, գինը) կամ տեխնիկական բաղադրիչները (մայք, մատակարարման պտուտակ, սարքավորումների արտադրող) կախված են նախընտրություններները եւ հեշտությամբ ազդում են որոշ բաղադրիչների կամ կայքերների ճշգրտությունը: Սակայն, բաղադրիչների բաղադրիչների, հոգեբանության եւ բաղադրիչների, ինչպես նաեւ բաղադրիչների բաղադրիչների, բաղադրիչների եւ բաղադրիչների բաղադրիչ Արդյոք, ինչպիսիք են մեծ տվյալների բազանները AI- ի դասընթացների համար: Այս տվյալները սովորաբար բաղադրվում են так зваված Data Lakes- ում: Այս տվյալները կառուցված են այնպես, որ օգտագործվում են տվյալների առեւտրային արժեքը, ինչպիսիք են IBM- ի Merge Healthcare- ի գնելը: , կամ որպես արդյունաբերական աճի եւ գիտական առաջադեմի համար, ինչպիսիք են NHS Scotland- ի National Safe Haven , French Health Data Hub , եւ Health Data Research UK . 21 22 23 24 Հիմնական, բայց փոքրիկ, գործիքները ներառում են Human Connectome- ը UK Biobank Վիքիպահեստում The Cancer Imaging Archive (TCIA) Վիքիպահեստում Հիմնական CXR8 Հիմնական հոդված՝ DeepLesion Cancer Genome Atlas (TCGA) Վիքիպահեստում Alzheimer’s Disease Neuroimaging Initiative (ADNI)-ի մասին Մարդիկ, ինչպես նաեւ բժշկական խնդիրները «Camelyon Challenge»-ի մասին , the International multimodal Brain Tumor Segmentation (BraTS) challenge , , Medical Segmentation Decathlon- ը Պաշտոնական բժշկական տվյալները սովորաբար գործառույթի կամ հիվանդության մասնավոր են եւ հաճախ ազատվում են տարբեր մակարդակների լիցենզիաների սահմանափակման հետ, երբեմն սահմանափակում են իր օգտագործման: 25 26 27 28 29 30 31 32 33 34 35 36 37 Տեղադրել կամ ազատել տվյալները, սակայն, ոչ միայն սահմանափակական, բուժական եւ բուժական խնդիրներ, որոնք կապված են ինտեգրիտության եւ տվյալների պաշտպանության, այլեւ տեխնիկական: Anonymizing, վերահսկել հասանելիությունը եւ անվտանգ փոխանցել առողջության տվյալները է ոչ բուժական, եւ երբեմն չի կարող. Anonymized տվյալները էլեկտրոնային առողջության գրասենյակից կարող են տեսնել անպատիվ եւ GDPR / PHI- ի հետազոտական, բայց միայն մի քանի տվյալների նյութերը կարող են թույլ տալ սեղմվողի վերահսկողությունը Այն նույնն է, որ genome data- ի եւ բժշկական տեսանյութերի համար, ինչը այնպես էլ միասնական է, ինչպիսիք են fingerprint- ի համար: Այսպիսով, եթե անմատունագրման գործընթացը չորում է տվյալների ճշգրիտությունը, որը կարող է անսահմանափակել այն, կարող է անսահմանափակվել բուժողի վերականգնելը կամ տեղեկատվության լվացումը: Gated access for approved users is often proposed as a putative solution to this problem. However, besides limiting data availability, this is only practical for cases in which the consent granted by the data owners is unconditional, since recalling data from those who may have had access to the data is practically unenforceable. 7 38 Հիմնական հոդված՝ Federated efforts FL-ի հավատը հեշտ է: այնպես որ, ML-ը թույլ է տալիս տեղադրել ոչ մի միասին տեղադրված տվյալների վրա, FL- ի կարգավիճակում, յուրաքանչյուր տվյալների վերահսկողը ոչ միայն ստեղծում է իր սեփական կառավարման գործընթացները եւ կապված տվյալների պաշտպանության քաղաքականություն, այլեւ վերահսկում է տվյալների հասանելիությունը եւ կարող է վերահսկել այն: Սա ներառում է դասընթացը, ինչպես նաեւ վերահսկողությունը: Այսպիսով, FL- ը կարող է ստեղծել նոր հնարավորություններ, օրինակ, այնպես որ թույլ է տալիս մեծ քանակի, տեղադրական վերահսկողությունը, կամ թույլ է տալիս նոր հետազոտություններ rare Diseases- ի մասին, որտեղ սխալները ցածր են, եւ տվյալների սարքերը յուրաքանչյուր տեղադրում շատ փոքր են: Մոդելը փոխանցում է Տեսում է Fig. , FL workflow- ը կարող է կատարվել տարբեր տպագրություններների եւ համակարգչային պլանների հետ: Երկու ամենաբարձրագույն բարդները, որոնք օգտագործվում են առողջապահության ծրագրերի համար, օգտագործվում են agregation server- ի միջոցով: , , Peer to Peer- ի հետազոտություններ , FL- ը անմիջապես առաջարկում է մի քանի մակարդակ ինտերնետության, քանի որ FL-ի ուսանողները երբեք անմիջապես չի ստանում տվյալները այլ ինտերնետների կողմից եւ միայն ստանում են մոդելային պարամետրերը, որոնք միասնական են մի քանի ուսանողների վրա: FL-ի հետ միասնական սերվերի հետ աշխատանքի թռիչքում մասնագիտացած ինտերնետները կարող են նույնիսկ չգիտել միասին: Սակայն, ցույց է տալիս, որ մոդելները նույնպես կարող են որոշ պայմաններում մոռանալ տեղեկատվություն , , , Այսպիսով, մեքենաներ, ինչպիսիք են differential privacy , Նրանք առաջարկում են, որ թվային տվյալների միջոցով սովորել են, որպեսզի FL- ի տեղադրման մեջ բարելավվել են ինտերնետը (լուսանկարներ) «Technical considerations» (հարկե «Technical considerations») մասը: Ընդհանուր առմամբ, FL- ի հզորությունը բժշկական ծրագրերի համար զգալի է եւ FL տեխնոլոգիաներ են աճող հետազոտական տարածք , . 2 16 17 18 15 39 40 41 42 43 44 45 46 12 20 FL topologies — մի federation- ի կապի դիզայնը. Centralized: The aggregation server coordinates the training iterations and collects, aggregates and distributes the models to and from the Training Nodes (Hub & Spoke) Decentralized: Բոլոր դասընթացային կետերը միավոր են մեկի կամ ավելի միավորների հետ, եւ միավորությունը կատարվում է յուրաքանչյուր կետում միասին: Արդյունաբերական սարքավորումներ, որոնք կարող են ստեղծել մի շարք սարքավորումներ, որոնք կարող են ստեղծել մի շարք սարքավորումներ եւ սարքավորումներ ( FL Compute Plans — մի մոդելի trajectory մի քանի ընկերների միջեւ: Հիմնական դասընթաց / cyclic transfer learning. Արդյունաբերական սերվեր, Peer to Peer. a b c d e f g Այժմ FL- ի գործերը թվային առողջության համար Քանի որ FL- ը ընդհանուր ուսուցման օրինակ է, որը հեռանում է AI- ի մոդելների զարգացման համար տվյալների համատեղման պահանջը, FL- ի օգտագործման լայնությունը ներառում է առողջապահության համար AI- ի ամբողջ լայնությունը: FL- ը կարող է հասնել ավելի մեծ տվյալների տարբերությունը եւ վերլուծել հաճախորդներին տարբեր բարդակների մեջ: Այն կարող է թույլ տալ երաժշտական նորարարություններ, բայց նաեւ օգտագործվում է այժմ: In the context of electronic health records (EHR), for example, FL helps to represent and to find clinically similar patients , , ինչպես նաեւ նախընտրում է սերտիֆիկ գործառույթների պատճառով տոմսագրությունները Տեղադրություն եւ ICU- ի ժամանակը FL- ի հարմարավետությունը եւ հարմարավետությունը նաեւ հայտնվել է բժշկական imaging- ի տարածքում, ամբողջ բջիջային թափանցման համար MRI- ում: , ինչպես նաեւ cerebral tumor segmentation , . Recently, the technique has been employed for fMRI classification to find reliable disease-related biomarkers եւ առաջարկում է, որ մի խոշոր մեխանիզմ է COVID-19- ում . 13 47 14 19 15 16 17 18 48 Հիմա, որ FL- ի գործառույթները պահանջում են բացառություններ, որոնք նշում են օգտագործված մակարդակը, նպատակը եւ տեխնոլոգիաները, որոնք, քանի որ դեռ նոր են, կարող են դժվար լինել բացահայտել: Այս առեւտրում, օրինակ, այսօրի մեծ քանակի գործառույթները իրականում առաջատար են երեկոյան ստանդարտների համար անվտանգ, ճշգրիտ եւ նորարարական համագործակցությունը առողջության ծրագրերի մեջ: Նրանք ներառում են միավորությունները, որոնք ցանկանում են առաջացնել Trustworthy Federated Data Analytics- ը (TFDA) Գերմանական Cancer Consortium- ի հետազոտական պլատֆորմը , որը թույլ է տալիս decentralized հետազոտությունների ամբողջ Գերմանական բժշկական imaging հետազոտական ինստիտուտների. Another example is an international research collaboration that uses FL for the development of AI models for the assessment of mammograms Այս հետազոտությունը ցույց է տալիս, որ FL- ի արտադրված մոդելները գերազանցել են մեկ ինստիտուտի տվյալների դասընթացների հետ, եւ ավելի համեմատելի են, այնպես որ այլ ինստիտուտների տվյալների վրա դեռ լավ են կատարում. Օգլերեն 49 50 51 Շնորհակալություն, որ հետազոտական կենտրոնների համար ոչ միայն, FL- ը կարող է ճիշտ լինել: Հիմնական հոդված՝ The HealthChain Project , ինչպիսիք են, նպատակն է ստեղծել եւ տեղադրել FL- ի սարքավորումներ, որոնք գտնվում են Ֆրանսիայում: Այս լուծում արտադրում է միասնական մոդելներ, որոնք կարող են նախընտրել բուժման պատասխանը բորբի բորբի բորբի եւ մալենոնամի հիվանդների համար: Այն օգնում է oncologists- ում որոշել ամենամեծ արդյունավետ բուժումը յուրաքանչյուր բորբի համար իրենց histology slides- ի կամ dermoscopy- ի տեսանյութերի վրա: Մեկ այլ մեծ քանակը փորձ է Federated Tumour Segmentation (FeTS) Initiative- ը: , որը 30 մասնագիտացված բժշկական կազմակերպությունների միջազգային federation է, որը օգտագործում է open-source FL սարքավորումներ, որոնք օգտագործում են գլաստիկ օգտվողի ինտերֆեյս: Նրա նպատակն է բարելավել դիզայնը դիզայնի գոտի, այդ թվում, բջջային գլայմը, բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային. Քոլինե 52 53 Ավելի մեծ ազդեցություն է ներսում FL- ը թույլ է տալիս հետազոտական հետազոտությունը, նույնիսկ համատեղելի ընկերությունների համար: Այս համոզվածության մեջ, ամենամեծ նորարարություններն է Melloddy- ը: Այս ծրագրի նպատակն է տեղադրել Multi-Task FL- ը 10 pharmaceutical ընկերությունների տվյալների սերտիֆիկների վրա: Հետեւաբար, աշխատակիցները փորձում են օպտիմալել դեղահատի գտնման գործընթացը, առանց բացահայտելու իրենց բարձր արժեքային ինտեգրային տվյալները: Արդյունաբերական 54 Արդյունաբերական ազդեցությունը բաղադրիչներին FL- ն ներառում է մոդելային փոխանցման կենտրոնական տվյալների նավթիից, եւ կարեւոր է իմանալ իր ազդեցությունը FL- ի էլեկտրական համակարգի տարբեր գործիչներին: Քոլինեներ Կանայք կարող են հասկանալ, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ է անում, թե ինչ Մարդիկ Մարդիկ սովորաբար բուժվում են տեղականորեն: FL- ի ստեղծումը ամբողջ աշխարհում կարող է ապահովել բարձր որակի բուժման որոշումներ, այնպես էլ բուժման տարածքում: Բացի այդ, մարդիկ, ովքեր պահանջում են բժշկական օգնություն հեռավոր տարածքներում, կարող են օգտվել այնպիսի բարձր որակի ML- ի օգնված դիզայնների հետ, որոնք հասանելի են բուժողների մեծ մասով: Նրանք նույնպես կարող են հավասարել, որ տվյալները կանգնած են իրենց ինստիտուտով եւ տվյալների հասանելիությունը կարող է վերահսկվել: FL- ը կարող է նաեւ նվազեցնել տվյալների դիզայնը, քանի որ մարդիկները կարող են հավասարել, որ տվյալները կանգնած են իրենց ինստիտուտով եւ տվյալների հասանելիությունը կարող է վերահսկվել: Հեղինակներ եւ գործառույթներ Բրիտանիկները եւ գործիքները կարող են վերահսկել եւ վերահսկել իրենց հիվանդի տվյալները ամբողջական վերահսկողության տվյալների հասանելիության հետ, որը սահմանափակում է արտադրանքի սխալ օգտագործման ծախսերը. Սակայն, դա պետք է պետք է տեղական համակարգչային ինտեգրտության կամ անձնական կլուխ ծառայության ապահովման եւ ստանդարտված եւ sinoptic տվյալների ձեւաչափերի ընդունման համար, որպեսզի ML մոդելներ կարող են ուսուցել եւ արժեքել անմիջապես: Որքան անհրաժեշտ համակարգչային հզորությունը, իհարկե, կախված է, թե՞ կայքը միայն ներառում է արժեքագրության եւ փորձարկման գործիքներում, կամ նաեւ ուսուցման գործիքներում: Մինչեւ հարմարաբար փոքր գործարանները կարող են մասնակցել, եւ նրանք դեռ AI- ի հետազոտողներ եւ մշակողներ Մարդկանց հետազոտողները եւ AI- ի մշակողները օգտակար են ստանալ հզոր բաղադրիչներ, որոնք կարող են օգտագործվել իրական աշխարհում, ինչը կարող է ազդել փոքրիկ հետազոտական լաբորատորների եւ Start-ups- ում: Այսպիսով, սերտիֆիկները կարող են մուտքագրվել բուժական պահանջների եւ հետազոտական խնդիրների լուծելու համար, ոչ թե բաց data sets- ից սահմանափակ մատակարարման վրա: Այսպիսով, անհրաժեշտ է հետազոտել algorithmic սերտիֆիկները federated training- ի համար, ինչպիսիք են, թե ինչպես հզորորեն համատեղել մոդելներ կամ update- ը, թե ինչպես պետք է հզոր լինել մատակարարման փոխանցման համար: , , FL- ի հիմնված զարգացման նաեւ նշանակում է, որ հետազոտողը կամ AI- ի արտադրողը չի կարող հետազոտել կամ տեսնել բոլոր տվյալները, որոնք մոդելը դասընթացում է, օրինակ, չի կարող տեսնել մասնավոր սխալը, որպեսզի իմանալ, թե ինչպիսիք են, թե ինչպիսիք են ժամանակակից մոդելը սխալ է կատարում: 11 12 20 Healthcare Մատակարարներ Շատ երկրների բժշկական ծառայողներին ազդում է, որ բաղադրիչի բաղադրիչը բաղադրիչ է բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադրիչի բաղադր Արտադրողները Բրիտանիայի սարքավորումների եւ սարքավորումների արտադրողները կարող են օգտվել FL- ից նաեւ, քանի որ բազմաթիվ սարքավորումների եւ ծրագրերի ուսուցման համատեղը, առանց մատակարարման հաճախորդի մասնավոր տեղեկատվության, կարող է օգնել ML- ի հիմնված համակարգերի շարունակական հավելման կամ բարելավման համար: Սակայն, այդ հզորության կատարումը կարող է պահանջել տեղական համակարգչության, տվյալների սարքավորման, ցանցային հզորության եւ կապված ծրագրային ապահովման կարեւոր բարելավումներ: Technical Considerations-ի մասին FL- ը կարող է առավել հայտնի լինել Konečnỳ et al. աշխատանքից: , բայց տարբեր այլ definitions են առաջարկվում գրասենյակում , , , A FL workflow (Տեսանյութ) ) կարող է կատարվել տարբեր topologies եւ համակարգչային պլանների միջոցով (Fig. ), բայց նպատակը դեռ նույն է, ինչպիսիք է, որ համատեղել գիտելիքները, որոնք ստացել են ոչ-co-located տվյալների հետ: Այս մասում մենք կգիտենք ավելի մանրամասն, թե ինչ է FL- ը, ինչպես նաեւ բացահայտել են հիմնական խնդիրները եւ տեխնիկական հարցերը, որոնք հայտնաբերվում են, երբ FL- ը օգտագործվում է թվային առողջության մեջ: 55 9 11 12 20 1 2 Federated Learning-ի կարգավորումը FL- ը մի ուսուցման մոդել է, որտեղ բազմաթիվ մասերը աշխատել են միասին, ոչ թե պետք է փոխանցել կամ կենտրոնանալ տվյալների սարքերը: FL-ի ընդհանուր մոդելը կարդում է հետեւյալը: Let denote a global loss function obtained through a weighted combination of data sets. Տեսակներ, որոնք փոխվում են անձնական տվյալների վրա , որը տեղադրվում է անձնակազմի մեջ եւ երբեք չի փոխվել նրանց միջեւ: K XK Ինչպե՞ս > 0 նշում է masing-masing քանակի քանակը: Wk Հիմնականում, յուրաքանչյուր ուսանող սովորաբար ստանում է եւ բարելավում է ամբողջական համոզվածության մոդելը, այնպես որ տեղականորեն եւ նախընտրաբար փոխանցում է նորարարություններները, այնպես էլ ուղղակիորեն կամ փոխանակման սերվերի միջոցով: Որքան ավելի տեղական դասընթացներ կատարվում են, այնքան փոքր է հավասարությունը, որ ամբողջական գործընթացը նվազեցնում է (Eq. ) , . The actual process for aggregating parameters depends on the network topology, as nodes might be segregated into sub-networks due to geographical or legal constraints (see Fig. Արդյունաբերության ռեժիմները կարող են հավելելվել մի միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին միասին , Տեղադրեք, որ բաղադրիչների պլաստիկները ոչ թե պետք է պահանջում են տեղեկատվություն ամբողջ մոդելի նորաձեւության մասին: հաճախորդները կարող են ընտրել, որ մոդելային պարամետրերի միայն մի բաղադրիչ կասկածեն, որպեսզի փոխանցել կապը, ապահովել ավելի լավ անվտանգությունը: կամ արտադրել multi-task ուսուցման algorithms, որոնք միայն մի մասը իրենց պարամետրերը ուսուցել է federated way. 1 9 12 2 15 56 10 A unifying framework enabling various training schemes may disentangle compute resources (data and servers) from the Ինչպե՞ս տեսնում է Fig. Հաջորդը defines the trajectory of a model across several partners, to be trained and evaluated on specific data sets. Հաջորդը defines the trajectory of a model across several partners, to be trained and evaluated on specific data sets. Computational պլան 2 Արդյունքներ եւ փոխանակումներ FL- ի հարմարավետությունը, բայց դա չի լուծում բոլոր խնդիրները, որոնք բնական են բժշկական տվյալների հետ ուսուցման համար: Մոդելային ուսուցման հաջողությունը դեռ կախված է տվյալների որակի, հարմարավետության եւ ստանդարտման նման գործիքների վրա: Այս խնդիրները պետք է լուծվել, այնպես էլ federated եւ ոչ-federated ուսուցման գործառույթների միջոցով հարմար մեթոդների, ինչպիսիք են ճշգրիտ ուսուցման դիզայնը, միասնական պտուտակներ տվյալների ստուգման, strukturated reporting եւ հարմարեցված մեթոդներ ստուգման հարմարեցման եւ սեղմված stratification. Հաջորդում, մենք կասկածել է հիմնական տեսակի FL, որոնք հատկապես կարեւոր են, երբ օգտագործվում է թվային առողջության եւ պետք է իմանալ, երբ ստեղծում FL. , , . 2 11 12 20 Data heterogeneity- ը Մարդական տվյալները հատկապես տարբեր են, ոչ միայն տարբեր տեսակի, չափանիշների եւ առանձնահատկությունների համար, այլեւ նույնիսկ հատուկ պտուտակների ընթացքում, ինչպիսիք են ստուգման տարբերակներ, բժշկական սարքերի բրենդը կամ տեղական բովանդակությունը: FL- ը կարող է օգնել վերցնել որոշ բովանդակություններ, որոնք կարող են բարձրացնել տվյալների աղբյուրների տարբերակությունը, բայց անհամփակված տվյալների մատակարարումը պտուտակների եւ պտուտակների համար պտուտակ է, ինչպիսիք են FL- ի բովանդակության եւ պտուտակների համար, քանի որ շատ մարդիկ հավատում են, որ տվյալները ներսում են ինտեգրիտ եւ միասին (IID) տվյալների մեջ: are prone to fail under these conditions , , , մի մասով սխալում է համագործակցական ուսուցման պլաստակների սեփական նպատակը: Սակայն վերջին արդյունքները ցույց են տալիս, որ FL ուսուցման դեռ կարող է լինել , նույնիսկ եթե բժշկական տվյալները չպետք է հարմարորեն ներգրավված են համալսարաններում: , կամ ներառում է տեղական bias Այս խնդիրը լուծելու հետազոտությունը ներառում է, օրինակ, , part-data-sharing strategy եւ FL- ը Domain-Adaptation- ի հետ Ավելի շատ խնդիր է, որ տվյալների heterogeneity կարող է վերցնել մի Situation, որտեղ Global optimum լուծում չի կարող լինել optimum համար մասնավոր տեղական ուսանող. The definition of model training optimality should, therefore, be agreed by all participants before training. Տղամարդկանց 9 9 57 58 59 16 17 51 FedProx 57 58 18 Privacy and security Տեղինակային տվյալները շատ հարմարավետ են եւ պետք է պաշտպանված են այնպես, որ կատարվում են ճշգրտական անվտանգության գործընթացներ: Այսպիսով, մի քանի հիմնական հարցեր են FL- ի անձնական կյանքի պահպանման հզորության մասին բաղադրիչները, ռեժիմները եւ վերականգնվող վտանգները: Privacy vs. performance: Դա կարեւոր է հիշել, որ FL- ը չի լուծում բոլոր հնարավոր անձնական անձնական տեղեկատվության խնդիրները եւ, ինչպիսիք են ML- ի ալբոմսերի վրա, միշտ կունենա որոշ վտանգներ: FL- ի անձնական տեղեկատվության պահպանման տեխնոլոգիաները առաջարկում են անվտանգության մակարդակներ, որոնք գերազանցում են այսօր առեւտրականորեն հասանելի ML մոդելները: Այնուամենայնիվ, գործառույթների վրա մի խնամք է, եւ այդ տեխնոլոգիաները կարող են ազդել, օրինակ, վերջնական մոդելի ճշգրիտությունը: Բացի այդ, ապագա տեխնոլոգիաներ եւ / կամ օգնական տվյալներ կարող են օգտագործվել, որպեսզի սխալեցնել մի մոդել, որը նախընտրաբար կարծում է, որ ցածր վտանգի է: 12 10 Հավատության մակարդակը: Բարձրապես խոսումով, մասնագետները կարող են տեղադրել երկու տեսակի FL- ի համագործակցությունը: —FL- ի հետազոտությունների համար, որտեղ բոլոր բաժանորդները կարծում են, որ հավասար են եւ ներառում են ճշգրտելի համագործակցությունը, մենք կարող ենք փրկել բազմաթիվ ավելի վտանգավոր բաղադրիչներ, ինչպիսիք են սխալավոր փորձերը սխալավոր տեղեկություններ ստանալ կամ մոդելը սխալավորելու համար: Այսպիսով նվազեցնում է սխալավոր վերահսկողության պահանջը, որը վերադարձվում է ստանդարտ հետազոտական հետազոտության պայմաններին: Հիմնական —FL համակարգերում, որոնք աշխատում են ավելի մեծ քանակով, կարող է լինել անմարթական ստեղծել ճշգրտելի համագործակցական հաղորդագրություն: Որոշ հաճախորդները կարող են հուսալիորեն փորձել նվազեցնել կատարումը, վերահսկել համակարգը կամ վերահսկել տվյալները այլ կողմից: Հետեւաբար, անվտանգության պլաստիկները պետք է պահանջվում են այդ վտանգների սխալելու համար, ինչպիսիք են, առաջադեմ սխալագրությունը մոդելների մատակարարման համար, անվտանգ սխալագրություն բոլոր կողմերի համար, գործերի վերահսկողությունը, տարբերակային անվտանգությունը, ստուգման համակարգեր, կատարման ինտեգրտությունը, մոդելների անվտանգությունը եւ պաշտպանություն վերահսկողության սխալների համար: Ոչ հավատում Տեղադրում է, որ FL համակարգերը փնտրում են առողջապահության տվյալների փոխանցման հետ միասնական կազմակերպությունների միջեւ: Սակայն, փոխանցված տեղեկատվությունը կարող է դեռ անմիջապես բացահայտել անձնական տվյալները, որոնք օգտագործվում են տեղական դասընթացների համար, ինչպիսիք են մոդելային փոխանցման միջոցով: Մոդելային թարմացումներ, մոդելային թարմացումներ Արդյունաբերական սխալներ , FL- ը տարբեր է տրանսպորտային դասընթացից, քանի որ դասընթացը արտադրվում է բազմաթիվ թիմերի հետ, այնպես էլ բարձրացնում է վերլուծման միջոցով լվացքի վտանգը, եթե վերլուծողները կարող են վերլուծել մոդելների փոխանցումներ ժամանակի ընթացքում, վերլուծել հատուկ մոդելների թարմացումները (հարկե, մեկ բիզնեսի թարմացումը), կամ մոռացել մոդելը (հարկե, մատակարարել ավելին մոռացումը այլ մարդկանց միջոցով gradient-ascent-style attack- ում): Ապրանում են վերլուծություններ, ինչպիսիք են սահմանափակել մոդելների թարմացումները եւ ավելացնել սխալը , and ensuring adequate differential privacy , կարող է անհրաժեշտ լինել եւ դեռ աշխատում է հետազոտական տարածքում . 60 61 62 63 16 18 44 12 Traceability եւ accountability Որպես բոլոր անվտանգության կարեւոր ծրագրերի համար, համակարգի վերլուծությունը կարեւոր է FL- ի համար բժշկական ծառայության մեջ: Ապրիշում կենտրոնացած դասընթացով, FL- ը պահանջում է բազմաթիվ մասերի մետաղադրամներ, որոնք ցույց են տալիս, որ սարքավորումների, ծրագրային ապահովման եւ ցանցերի համար մեծ տարբերություն ունեն: Բոլոր համակարգի գործառույթների, այդ թվում, տվյալների հասանելիության պատմության, դասընթացների կարգավիճակների եւ hyperparameter- ի կարգավիճակման համար, այնպես էլ անհրաժեշտ է դասընթացների ընթացքում: Հիմնականապես, առանց հավասարության դասընթացներում, վերլուծությունը եւ պատասխանատվության գործընթացները պահանջում են կատարման ինտեգրիտությունը: Երբ դասընթացը հասանելի է միասին համատեղելի մոդելային օպտիմ FL-ի մեկ ազդեցություն այն է, որ հետազոտողները չեն կարող ուսումնասիրել տվյալները, որտեղ մոդելերը դասընթացվում են, որպեսզի անպայման արդյունքների հասկանալ: Բացի այդ, իրենց դասընթացային տվյալների հետազոտական չափազանցման համար, ինչպիսիք են մոդելային զարգացման աշխատանքային արագության մասը, պետք է հավելվում են աշխատակիցների կողմից, ինչպիսիք են անպայման ինտեգրիտությունը: Մինչեւ յուրաքանչյուր կայքը կարող է հասնել իրենց սեփական սառուցված տվյալները, federations կարող է որոշել, որ ապահովել մի քանի անվտանգ ինտեգրված տեսանյութը այս պահանջի համար, կամ կարող է ապահովել մի այլ մեթոդը, որը կարող է բարձրացնել լայնային մոդելի բացառությունը եւ բացառությունը: 64 համակարգի դիզայնը Արդյոք, ինչպիսիք են McMahan et al. Շնորհակալություն, առողջապահական բիզնեսի մասնագետները սարքավորվում են հարմարապես հզոր մետաղական սարքավորումներով եւ հավասար, ավելի բարձր մետաղական ցանցերի հետ, որոնք թույլ են տալիս մեծ մոդելների ուսուցման համար շատ ավելի տեղական ուսուցման քայլերի հետ, եւ ավելի շատ մոդելային տեղեկատվության փոխանցման համար կետերի միջեւ: Այս միակ առանձնահատկությունները FL- ի առողջապահական ծառայության մեջ նաեւ տպագրում են խնդիրները, ինչպիսիք են ապահովել տվյալների ինտեգրտությունը, օգտագործելով redundant կետերի օգտագործում, նախագծել անվտանգ սեղմման մեթոդները տվյալների փրկելու համար, կամ նախագծել ճշգրտված կետային սարքավորիչներ, որոնք ավելի լավ օգտագործել են մետաղական մետաղական սարք 9 Արդյոք, թե ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ-որ բան, ինչ- Conclusion ML- ը, եւ հատկապես DL- ը, առաջարկել է բազմաթիվ նորարարություններ թվային առողջության տարածքում: Երբ բոլոր ML- ի մեթոդները շատ օգտակար են տվյալների հասանելիության հզորությամբ, որը հարմարվում է ճշգրիտ ամբողջ աշխարհում, FL- ը հզոր, ճշգրիտ, անվտանգ, հզոր եւ անսահմանափակ մոդելներ ստանալով հզոր է: FL- ը թույլ է տալիս բազմաթիվ բաժանորդներին հետազոտել միասնականորեն, ոչ թե պետք է փոխանցել կամ կենտրոնանալ տվյալներ, FL- ը անսահմանափակորեն լուծում է հարմարավետ բժշկական տվյալների հետ կապված խնդիրները: Հետեւաբար, դա կարող է բացել նոր հետազոտական եւ բիզնես ճանապարհներ, եւ կարող է բարելավել հաճախորդների օգնություն ամբողջ աշխարհում: . Despite this, we truly believe that its potential impact on precision medicine and ultimately improving medical care is very promising. 12 Տեղադրման համոզվածություն Further information on research design is available in the Փոխանցվել է այս հոդվածին. Nature Research-ի հետազոտական տեղեկատվություն Տեսակներ LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. , 436 (2015). Nature 521 Wang, F., Casalino, L. P. & Khullar, D. Deep learning in medicine—promise, progress, and challenges. , 293–294 (2019). JAMA Intern. Med. 179 Chartrand, G. et al. Deep learning: a primer for radiologists. , 2113–2131 (2017). Radiographics 37 De Fauw, J. et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. , 1342 (2018). Nat. Med. 24 Sun, C., Shrivastava, A., Singh, S. & Gupta, A. Revisiting unreasonable effectiveness of data in deep learning era. In , 843–852 ( , 2017). Proceedings of the IEEE international conference on computer vision IEEE Van Panhuis, W. G. et al. A systematic review of barriers to data sharing in public health. , 1144 (2014). BMC Public Health 14 Rocher, L., Hendrickx, J. M. & De Montjoye, Y.-A. Estimating the success of re-identifications in incomplete datasets using generative models. , 1–9 (2019). Nat. Commun. 10 Schwarz, C. G. et al. Identification of anonymous mri research participants with face-recognition software. , 1684–1686 (2019). N. Engl. J. Med. 381 McMahan, B., Moore, E., Ramage, D., Hampson, S. & y Arcas, B. A. Communication-efficient learning of deep networks from decentralized data. In , 1273–1282. (2017). Artificial Intelligence and Statistics https://scholar.google.de/scholar?hl=de&as_sdt=0%2C5&q=Communicationefficient+learning+of+deep+networks+from+decentralized+data&btnG= Li, T., Sahu, A. K., Talwalkar, A. & Smith, V. Federated learning: Challenges, methods, and future directions. , 50–60 (IEEE, 2020). IEEE Signal Processing Magazine 37 Yang, Q., Liu, Y., Chen, T. & Tong, Y. Federated machine learning: concept and applications. , 12 (2019). ACM Trans. Intell. Syst. Technol. (TIST) 10 Kairouz, P. et al. Advances and open problems in federated learning. (2019). arXiv preprint arXiv:1912.04977 Lee, J. et al. Privacy-preserving patient similarity learning in a federated environment: development and analysis. , e20 (2018). JMIR Med. Inform. 6 Brisimi, T. S. et al. Federated learning of predictive models from federated electronic health records. , 59–67 (2018). Int. J. Med. Inform. 112 Roy, A. G., Siddiqui, S., Pölsterl, S., Navab, N. & Wachinger, C. Braintorrent: a peer-to-peer environment for decentralized federated learning. (2019). arXiv preprint arXiv:1905.06731 Li, W. et al. Privacy-preserving federated brain tumour segmentation. In , 133–141 (Springer, 2019). International Workshop on Machine Learning in Medical Imaging Sheller, M. J., Reina, G. A., Edwards, B., Martin, J. & Bakas, S. Multi-institutional deep learning modeling without sharing patient data: a feasibility study on brain tumor segmentation. In , 92–104 (Springer, 2018). International MICCAI Brainlesion Workshop Li, X. et al. Multi-site fmri analysis using privacy-preserving federated learning and domain adaptation: abide results. (2020). arXiv preprint arXiv:2001.05647 Huang, L. et al. Patient clustering improves efficiency of federated machine learning to predict mortality and hospital stay time using distributed electronic medical records. , 103291 (2019). J. Biomed. Inform. 99 Xu, J. & Wang, F. Federated learning for healthcare informatics. (2019). arXiv preprint arXiv:1911.06270 Roy, A. & Banerjee, A. Ibm’s merge healthcare acquisitio . (2015) (Accessed 10 February 2020). n https://www.reuters.com/article/us-merge-healthcare-m-a-ibm/ibm-to-buy-merge-healthcare-in-1-billion-deal-idUSKCN0QB1ML20150806 Nhs scotland’s national safe haven. (2015) (Accessed 10 February 2020). https://www.gov.scot/publications/charter-safe-havens-scotland-handling-unconsented-data-national-health-service-patient-records-support-research-statistics/pages/4/ Cuggia, M. & Combes, S. The french health data hub and the german medical informatics initiatives: Two national projects to promote data sharing in healthcare. , 195–202 (2019). Yearbook Med. Informat. 28 Health Data Research UK. (Health Data Research UK, 2020) (Accessed 10 Feb 2020). https://www.hdruk.ac.uk/ Sporns, O., Tononi, G. & Kötter, R. The human connectome: a structural description of the human brain. . , e42, (2005). PLoS Comput. Biol 1 https://doi.org/10.1371/journal.pcbi.0010042 Sudlow, C. et al. Uk biobank: an open access resource for identifying the causes of a wide range of complex diseases of middle and old age. . , e1001779. (2015). PLoS Med 12 https://doi.org/10.1371/journal.pmed.1001779 Clark, K. et al. The cancer imaging archive (tcia): maintaining and operating a public information repository. , 1045–1057 (2013). J. Digit. Imaging. 26 Wang, X. et al. Chestx-ray8: Hospital-scale chest X-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. In , 2097–2106 ( , 2017). Proceedings of the IEEE conference on computer vision and pattern recognition IEEE Yan, K., Wang, X., Lu, L. & Summers, R. M. Deeplesion: automated mining of large-scale lesion annotations and universal lesion detection with deep learning. , 036501 (2018). J Med. Imaging. 5 Tomczak, K., Czerwińska, P. & Wiznerowicz, M. The cancer genome atlas (tcga): an immeasurable source of knowledge. , A68 (2015). Contemp. Oncol. 19 Jack Jr., C. R. et al. The alzheimer’s disease neuroimaging initiative (adni): Mri methods. , 685–691 (2008). J. Magn. Reson. Imaging 27 . (2020) (Accessed 24 July 2020). Grand Challenge-a Platform for End-to-end Development of Machine Learning Solutions in Biomedical Imaging https://grand-challenge.org/ Litjens, G. et al. 1399 h&e-stained sentinel lymph node sections of breast cancer patients: the camelyon dataset. , giy065 (2018). GigaScience 7 Menze, B. H. et al. The multimodal brain tumor image segmentation benchmark (brats). , 1993–2024 (2014). IEEE Trans. Med. Imaging 34 Bakas, S. et al. Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the brats challenge. (2018). arXiv preprint arXiv:1811.02629 Bakas, S. et al. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features. , 170117 (2017). Sci. Data 4 Simpson, A. L. et al. A large annotated medical image dataset for the development and evaluation of segmentation algorithms. (2019). arXiv preprint arXiv:1902.09063 Yeh, F.-C. et al. Quantifying differences and similarities in whole-brain white matter architecture using local connectome fingerprints. , e1005203 (2016). PLoS Comput. Biol. 12 Chang, K. et al. Distributed deep learning networks among institutions for medical imaging. , 945–954 (2018). J. Am. Med. Inform. Assoc. 25 Shokri, R., Stronati, M., Song, C. & Shmatikov, V. Membership inference attacks against machine learning models. In , 3-18 (IEEE, 2017). 2017 IEEE Symposium on Security and Privacy (SP) Sablayrolles, A., Douze, M., Ollivier, Y., Schmid, C. & Jégou, H. White-box vs black-box: Bayes optimal strategies for membership inference. In Chaudhuri, K. & Salakhutdinov, R. (eds) , 5558–5567. (PMLR, 2019). Proceedings of the 36th International Conference on Machine Learning, {ICML} 97 http://proceedings.mlr.press/v97/sablayrolles19a.html Zhang, C., Bengio, S., Hardt, M., Recht, B. & Vinyals, O. Understanding deep learning requires rethinking generalization. In , (OpenReview.net, 2017). 5th International Conference on Learning Representations, {ICLR}. https://openreview.net/forum?id=Sy8gdB9xx Carlini, N., Liu, C., Erlingsson, Ú., Kos, J. & Song, D. The secret sharer: evaluating and testing unintended memorization in neural networks. In Heninger, N. & Traynor, P. (eds) { } ({ } , 267–284. ({USENIX} Association, Santa Clara, CA, USA, 2019). 28th USENIX Security Symposium USENIX Security 19 https://www.usenix.org/conference/usenixsecurity19/presentation/carlini Abadi, M. et al. Deep learning with differential privacy. In , 308–318 (ACM, 2016). Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security Shokri, R. & Shmatikov, V. Privacy-preserving deep learning. In , 1310–1321 (ACM, 2015). Proceedings of the 22nd ACM SIGSAC conference on computer and communications security Langlotz, C. P. et al. A roadmap for foundational research on artificial intelligence in medical imaging: from the 2018 nih/rsna/acr/the academy workshop. , 781–791 (2019). Radiology 291 Kim, Y., Sun, J., Yu, H. & Jiang, X. Federated Tensor Factorization for Computational Phenotyping. In . 887–895. (ACM, Halifax, NS, Canada, 2017). Proceedings of the 23rd {ACM} {SIGKDD} International Conference on Knowledge Discoveryand Data Mining https://doi.org/10.1145/3097983.3098118 He, C., Annavaram, M. & Avestimehr, S. Fednas: Federated deep learning via neural architecture search. (2020). https://sites.google.com/view/cvpr20-nas/ Trustworthy federated data analytics (tfda). (2020) (Accessed 28 May 2020). https://tfda.hmsp.center/ Joint Imaging Platform (Jip). (2020) (Accessed 28 May 2020). https://jip.dktk.dkfz.de/jiphomepage/ Medical institutions collaborate to improve mammogram assessment ai. (2020) (Accessed 28 May 2020). https://blogs.nvidia.com/blog/2020/04/15/federated-learning-mammogram-assessment/ Healthchain consortium. (2020) (Accessed 28 May 2020). https://www.substra.ai/en/healthchain-project The federated tumor segmentation (fets) initiative. (2020) (Accessed 28 May 2020). https://www.fets.ai Machine learning ledger orchestration for drug discovery. (2020). Accessed 28 May 2020. https://cordis.europa.eu/project/id/831472 Konečny`, J., McMahan, H. B., Ramage, D. & Richtárik, P. Federated optimization: Distributed machine learning for on-device intelligence. (2016). arXiv preprint arXiv:1610.02527 Lalitha, A., Kilinc, O. C., Javidi, T. & Koushanfar, F. Peer-to-peer federated learning on graphs. (2019). arXiv preprint arXiv:1901.11173 Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A. & Smith, V. Federated optimization in heterogeneous networks. (2018). arXiv preprint arXiv:1812.06127 Zhao, Y. et al. Federated learning with non-iid data. (2018). arxivabs/1806.00582 Li, X., Huang, K., Yang, W., Wang, S. & Zhang, Z. On the convergence of fedavg on non-IID data. (2020). https://openreview.net/forum?id=HJxNAnVtDS Wu, B. et al. P3sgd: patient privacy preserving SGD for regularizing deep CNNs in pathological image classification. In (pp. 2099–2108) (2019). Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Zhu, L., Liu, Z. & Han, S. Deep leakage from gradients. In Wallach, H. M. et al. (eds) , 14747–14756. (2019). Advances in Neural Information Processing Systems 32: Annual Conference on Neural Information Processing Systems http://papers.nips.cc/paper/9617-deep-leakage-from-gradients Wang, Z. et al. Beyond inferring class representatives: user-level privacy leakage from federated learning. In 2512–2520. (IEEE, Paris, France, 2019). 2019 {IEEE} Conferenceon Computer Communications, {INFOCOM} https://doi.org/10.1109/INFOCOM.2019.8737416 Hitaj, B., Ateniese, G. & Perez-Cruz, F. Deep models under the gan: information leakage from collaborative deep learning. In , CCS’17, 603–618 (Association for Computing Machinery, New York, NY, USA, 2017). Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security Ghorbani, A. & Zou, J. Data shapley: Equitable valuation of data for machine learning. In (pp. 2242-2251) (2019). International Conference on Machine Learning Հիմնական տեղեկություններ Այս աշխատանքը աջակցվել է UK Research and Innovation London Medical Imaging & Artificial Intelligence Centre for Value-Based Healthcare, The Wellcome/EPSRC Centre for Medical Engineering (WT203148/Z/16/Z), The Wellcome Flagship Programme (WT213038/Z/18/Z), The Intramural Research Programme of the National Institutes of Health (NIH) Clinical Center, The National Cancer Institute of the NIH under award number U01CA242871, The National Institute of Neurological Disorders and Stroke of the NIH under award number R01NS042645, as well as The Helmholtz Initiative and Networking Fund (Project “Trustworthy Federated Data Analytics”) and the PRIME program of the German Academic Exchange Service (DAAD) with funds from the German Federal Ministry of Education and Research ( Այս գրասենյակը հասանելի է CC by 4.0 Deed (Attribution 4.0 International) License- ի տակ: Այս թերթը CC by 4.0 Deed- ի (Attribution 4.0 International) լիցենզիաների կողմից: Արդյոք հասանելի է բնական
