Зохиогчийн эрх : 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 Зохиогчийн эрх : Никэлсэн Бэлэн Hancox Хуучин Ли Хуучин Millet Холгер Р. Рот Байгалийн алдартай Шилэн Бакас Матье Н. Galtier Беннет А. Ландман Клаус Maier-Hein Себастьян Оурселин Мики Шеллер Рональд M. Summers Эмэгтэйчүүд Өнгөрсөн Максимилиан Бауст Жорж Cardoso Эдүүлбэр Бүтээгдэхүүний талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаар Үйлчилгээ Үйлдвэрлэлийн мэдлэг (AI) судалгаа, ялангуяа машин суралцах (ML) болон уян хатан суралцах (DL) Шинэ DL загварууд нь клиник түвшинд нарийвчлал олж авахын тулд хялбар том курируулсан өгөгдлийн бүтэцээс суралцаж байх ёстой сая параметрүүдтэй байдаг. , , , . 1 2 3 4 5 Жишээлбэл, AI-д суурилсан тумор детектор сургалт нь боломжийн анатоми, патологи, даатгалын төрөл бүрийн бүрэн спектр агуулсан том мэдээллийн санг шаарддаг. Эдгээр өгөгдлийг олж авах нь хялбар бөгөөд эрүүл мэндийн өгөгдөл нь өндөр мэдрэгчтэй бөгөөд түүний хэрэглээг хатуу хяналттай байдаг. Үүнээс гадна өгөгдлийн аноним нь эдгээр хязгаарлалт байлгах боломжтой боловч энэ нь хэзээ ч байтугай тусламжтай байдаг бол эмчлэгний нэр, насанд хүрэгчдийн огноо гэх мэт метадангаа илгээх нь найдвартай байлгахын тулд хялбар биш юм. Жишээ нь, компьютерийн томограф (CT) эсвэл магнит резонанс томограф (MRI) өгөгдөл нь туслах боломжтой Бүх эрх хуулиар хамгаалагдсан _ Бүх эрх хуулиар хамгаалагдсан _ Бүх эрх хуулиар хамгаалагдсан _ Бүх эрх хуулиар хамгаалагдсан _ Бүх эрх хуулиар хамгаалагдсан 6 7 8 Федерацийн суралцах (FL) , , Энэ нь судалгааны парадигмууд нь өгөгдлийн хяналтын, аюулгүй байдал, алгоритмыг хамтын ажиллагаа явуулж, өгөгдлийг өөрчлөн хуваалцахгүйгээр шийдэх зорилготой юм. Эхлээд Mobile болон Edge төхөөрөмжийн хэрэглээний тохиолдолд янз бүрийн домонд боловсруулсан , Өнгөрсөн үед эрүүл мэндийн хэрэглээнд уян хатан авах , , , , , , , . FL нь консенсусны загвар хэлбэрээр, жинхэнэ институтын firewalls-ээс гадна пациентын өгөгдлийг хуваалцахгүйгээр хамтын ажиллагааны арга замыг олж авах боломжийг олгодог. Үүнээс гадна, ML үйл явцыг тус бүр оролцох институт дээр орон нутгийн байдаг бөгөөд зөвхөн загвар шинж чанарыг (жишээ нь параметрүүд, gradients) илрүүлсэн хэлбэрээр дамжуулах болно. Хамгийн сүүлийн үеийн судалгаа нь FL-ийн боловсруулсан загвар нь төвлөрсөн өгөгдлийн баг дээр боловсруулсан загваруудад харьцуулахад гүйцэтгэлийн түвшин олж чадна, зөвхөн тусгаарлагдмал нэг-институцийн өгөгдлийг харах загваруудтай. , . 9 10 11 12 13 14 15 16 17 18 19 20 1 16 17 FL агрегацийн сервер — FL ажлын үйл явц нь сургалтын түдгэлзүүлсэн бүтэцтэй загварыг хүлээн авах, ихээхэн боловсруулсан загварууд нь нэг төв серверд интермиссионд суулгахын тулд дамжуулан консенсусын загварууд дээр сургалтыг үргэлжлүүлэхийн тулд. FL peer-to-peer - FL-ийн альтернатив хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэ төвлөрсөн сургалт — ФЛ-ийн бус сургалтын ажлын үйл явц нь өгөгдлийн олборлолт сайтыг төвлөрсөн өгөгдлийн оёдлын талаархи өгөгдлийг хуваалцахын тулд тэд, бусад хүмүүст орон нутгийн, албан ёсны сургалтанд өгөгдлийг олборлох боломжтой. a b c FL-ийн амжилттай гүйцэтгэлийн үр дүн нь тоног төхөөрөмжийн тоног төхөөрөмжийн өргөн хүрээний боломжийг олгодог бөгөөд энэ нь тохиромжтой шийдлийг өгдөг, жинхэнэ эмчилгээний шинж чанарыг хамгийн тохиромжтой харьцуулахад, хэт авианы эмчилгээний талаархи мэдрэмжтэй байдаг. Гэсэн хэдий ч, FL-ийн алгоритм нь аюулгүй байдал, тусламжгүйгээр хамгийн тохиромжтой үйл ажиллагаа явуулж байгаа эсэхийг баталгаажуулахын тулд хязгаарлалттай техникийн мэдрэмжийг шаарддаг. Гэсэн хэдий ч, энэ нь төвлөрсөн өгөгдлийн нэг баазын хэрэгцээтэй арга хэрэгслүүдийн хязгаарлалыг дагаж чадна. Бид дижитал эрүүл мэндэд федералтай амралтын амралтыг үздэг бөгөөд энэ үзэсгэлэнт харьцуулалттай, FL-ийн эмчилгээний хэрэглээнд хэрэгцээтэй ашиг, үр дүнтэй талаарх олон нийтийн талаарх контекст, дэлгэрэнгүй мэдээллийг хангах зорилготой бидний консенсусны үзүүлэлттэй хуваалцсан ("Data-Driven Medicine Requires Federated Efforts"), түүнчлэн дижитал эрүүл мэндэд FL-ийг имплементийг гүйцэтгэхийн ключ асуултууд, асуултууд (Section "Technical Considerations"). Data-Driven Medicine нь федерацийн үйл явдлыг шаарддаг ML, 특히 DL нь олон салбарт де-факто шинжлэх ухааны олборлолт арга зам болж байна, гэхдээ өгөгдлийн суурилсан хэрэглээг амжилттай гүйцэтгэхийн тулд том, янз бүрийн өгөгдлийн багц шаарддаг. Гэсэн хэдий ч, эмчилгээний өгөгдлийн багц нь олборлолт нь хэцүү байдаг (Дэлгэрэнгүй "Дэлгэрэнгүй"). FL нь өгөгдлийг төвлөрсөнгүйгээр хамтын ажиллагааны суралцах боломжийг олгодог бөгөөд энэ шинэ суралцах парадигмууд нь янз бүрийн эрүүл мэндийн ажилтнууд (Дэлгэрэнгүй "Дэлгэрэнгүй"). Бүтээгдэхүүний мэдээлэл Энэ нь алдартай шаардлага юм, хамгийн сүүлийн үеийн алгоритмууд нь ихэвчлэн нарийвчлалтай курируулсан өгөгдлийн багц дээр үнэлгээтэй байдаг, ихэвчлэн зөвхөн хэд хэдэн эх үүсвэрээс орно. Энэ нь демограф (жишээ нь, бэлгийн, нарийн) эсвэл техникийн байнгын (жишээ нь, худалдан авах протокол, тоног төхөөрөмжийн үйлдвэрлэгч) урьдчилан сэргийлэх, тусгай групп, эсвэл газруудад нарийвчлалтай нөлөөлж болно. Гэсэн хэдий ч, эмчилгээний загвар, социо-экономын, генетик чинжүүрийн хооронд нарийвчлалтай харилцааг харахын тулд олон янз бүрийн тохиолдолд загварыг харуулдаг чухал юм. AI сургалтын хувьд том өгөгдлийн баазын хэрэгцээ нь олон орнуудад өгөгдлийг нэгтгэхийн тулд олон эх сурвалжуудыг үүсгэдэг. Эдгээр өгөгдөл нь ихэвчлэн Data Lakes гэж нэрлэдэг. Эдгээр нь IBM-ийн Merge Healthcare-ийн худалдан авах, гэх мэт өгөгдлийн комерцийн үнэ цэнэтэй ашиглах зорилготой бий болгосон байна. , эсвэл эдийн засгийн хөгжил, шинжлэх ухааны хөгжил, жишээ нь, NHS Шотландын National Safe Haven Францын эрүүл мэндийн мэдээллийн хавтан , болон Health Data Research UK . 21 22 23 24 Ажлын, харин жижиг, эхлэлүүд нь Human Connectome агуулдаг Их Британийн Biobank Цагаан Imaging Архивууд (TCIA) Них CXR8 Үүнээс гадна DeepLesion Цагаан Genome Atlas (TCGA) Alzheimer's Disease Neuroimaging Initiative (ADNI) , as well as medical grand challenges such as the CAMELYON challenge International Multimodal Brain Tumor Segmentation (BraTS) , , эсвэл Medical Segmentation Decathlon ОХУ-ын эрүүл мэндийн өгөгдөл нь ихэвчлэн үйл ажиллагаа, эмчилгээний тусгай байдаг бөгөөд ихэвчлэн лицензийн хязгаарлалт нь янз бүрийн түвшинд хуваалцах, заримдаа хэрэглээг хязгаарладаг. 25 26 27 28 29 30 31 32 33 34 35 36 37 Гэсэн хэдий ч, өгөгдлийн төвлөрүүлэх, хуваалцах нь хувийн ижил, мэдээллийн хамгаалах талаарх регулируулсан, нэрийн, хууль эрх зүйн асуултуудгүй, техникийн асуултуудтай байдаг. Ангилаагүй болгох, хандалтыг хянах, эрүүл мэндийн өгөгдлийн аюулгүй дамжуулалт нь хязгааргүй, хэзээ ч хязгааргүй үйл ажиллагаа юм. Электронны эрүүл мэндийн бүртгэлээс ангилаагүй өгөгдөл GDPR / PHI-г тохиромжтой байж болох боловч хэд хэдэн өгөгдлийн элементүүд нь эмчүүдийн шинэчлэх боломжийг олгодог. Гэсэн хэдий ч, геномын өгөгдөл болон эмнэлгийн зураг нь ихэвчлэн нэн даралттай байдаг. Эдгээр тохиолдолд, анонимжуулалтын үйл явц нь өгөгдлийн найдвартай байдлыг хамарна, энэ нь хэрэгцээгүй болгож чадахгүй байгаа эсэхийг хязгаарлагддаггүй бол, эмчүүдийн шинэчлэх, эсвэл өгөгдлийн хязгаарлалтгүй байх болно. Хэрэглэгчийн зөвшөөрөлгүй хэрэглэгчдэд дамжуулан хавтгай хандахын тулд хавтгай хандахыг санал болгож байна. Гэсэн хэдий ч, өгөгдлийн хандах боломжийг хязгаарлах гадна, энэ нь өгөгдлийн эзэмшигчдийн зөвшөөрөл зөвшөөрөлгүй байгаа тохиолдолд зөвхөн практик юм, учир нь өгөгдлийн хандах боломжтой хүмүүсийн өгөгдлийг хуваалцдаг. 7 38 ФЕДЕРАТИЗАН АЯЛЛАГ FL-ийн баталгаа нь хялбар юм. Энэ нь ML-ийг не-co-located өгөгдөлээс тохируулгатай болгодог. FL-ийн тохиргооны дагуу, бүх өгөгдлийн хянагч нь зөвхөн өөрийн удирдлагын үйл явцыг, холбогдсон өгөгдлийн шинжлэх ухааны бодлогог тодорхойлолдог боловч энэ нь өгөгдлийн хандалтыг хянах чадвартай байдаг. Энэ нь сургалтын болон баталгаажуулалтын үйл явцыг хамардаг. Энэ нь FL-ийг шинэ боломжийг бий болгож болно. Жишээ нь, олон тооны, хадгалах хүчин чадалтай эмнэлгийн өгөгдөл нь орон нутгийн загвар дээр энэ өгөгдлийг ашигладаг бүх хэрэглэгчдийн хувьд төвлөрсөн багтад орон нутгийн орлогоны орлогоны өгөгдлийг өөрчилж, өөр өөрчилж байх ёстой. Asred Жишээ нь Fig. , FL ажлын үйл явцыг өөр өөр топологи, тооцооллын төлөвлөгөөтэй үүсгэх болно. Эрүүл мэндийн хэрэглээнд хамгийн алдартай хоёр нь агуулга сервер дамжуулан байдаг , , Peer нь Peer нь , . Бүх тохиолдолд FL-ийн оролцогчид ямар ч шууд өгөгдөл авахгүй бөгөөд зөвхөн хэд хэдэн оролцогчд багтаасан загварын параметрүүд хүлээн авах болно. Агуулалтын сервертэй FL-ийн ажлын үйл явдлын талаар, оролцогчдын байгууллага ч байтугай өөрсдийгөө мэддэггүй байх болно. Гэсэн хэдий ч, загварууд нь зарим тохиолдолд мэдээллийг хадгалах боломжтой. , , , Дараа нь, дифференциал суваг гэх мэт механизмыг , эсвэл шифрлэгдсэн өгөгдлийн талаар суралцах нь FL-ийн тохиргоог илүү шифрлэгдсэн байхыг санал болгож байна (зүүнээс гадна "Техникийн асуултууд"). Үүнээс гадна, FL-ийн эрүүл мэндийн хэрэглээний боломжууд нь олон нийтийн сонирхолтой байсан. FL техникийн судалгааны дэлхий даяар нэмэгдэж байна , . 2 16 17 18 15 39 40 41 42 43 44 45 46 12 20 FL топологи — федерацийн харилцаа холбооны архитектура. төвлөрсөн: агрегацийн сервер нь сургалтын итерацийг координатаар, сургалтын нодоос (Hub & Spoke) нь, загварууд цуглуулдаг, хуваалцах, хуваалцах. Decentralized: Бүх сургалтын түдгэлзүүлсэн нэг буюу хэд хэдэн түвшинд холбогдсон бөгөөд бүрийн түдгэлзүүлсэн түдгэлзүүлсэн түдгэлзүүлсэн түдгэлзүүлсэн. Хиерархи: federated сүлжээний хэд хэдэн дор-федераци, Peer-to-Peer болон Aggregation Server federations ( )). FL компьютерийн төлөвлөгөө — хэд хэдэн партнёрийг хооронд нэг загварын траектори. Загварын сургалт / циклик трансфер суралцах. Агуулах сервер, Peer нь Peer. a b c d e f g ФЛ-ийн дижитал эрүүл мэндийн одоогийн үйл ажиллагаа FL нь AI загварын хөгжүүлэхэд өгөгдлийн багцуулах шаардлагыг бууруулж буй ерөнхий суралцагчийн парадигмуудын хувьд, FL-ийн хэрэглээний хүрээ нь эрүүл мэндийн хэрэглээний AI-ийн бүрэн хүрээтэй. Хэрэглээн илүү их харуулах, янз бүрийн демографийг хооронд тусламж авах боломжийг олгоно, FL-ийг идэвхтэй шинэчлэлд идэвхжүүлэх боломжийг олгодог боловч энэ нь одоо ашиглаж байна. Электрон эрүүл мэндийн бүртгэл (EHR) дагуу, FL нь клиничээр харьцуулахад туслах, олж авах туслах болно. , , түүнчлэн сэрүүн үйл явдлын шалтгаантай хоспитализацийн урьдчилан сэргийлэх , үсэг, ICU байлгах хугацаа FL-ийн хэрэгцээ, үр ашиг нь MRI-д бүрэн мозгийн сегментацийг зориулсан эмнэлгийн илрүүлэгчдэд үзсэн байна. , түүнчлэн ухааны тумор segmentation , Хамгийн сүүлийн үеийн, техникийн fMRI түлхүүр хийхэд хэрэглэгдсэн бөгөөд энэ нь өвчин-д холбоотой биомаркерийн найдвартай олж авахын тулд хэрэглэдэг. COVID-19 талаарх талаарх талаарх талаарх талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи талаархи. . 13 47 14 19 15 16 17 18 48 FL-ийн үйл ажиллагаа нь хэрэглэгдсэн хүрээ, зорилго, технологийг тодорхойлохыг шаарддаг бөгөөд энэ нь шинэчлэгдсэн боловч энэ тохиолдолд харьцуулахад хэцүү байж болох юм. Энэ контекстд, Өнөөдөр томъёо үйл ажиллагаа нь эрүүл мэндийн хэрэглээнд аюулгүй, бодит, шинэчлэгдсэн хамтын ажиллагааг зориулсан урт хугацааны стандартын эх үүсвэрүүд юм. Эдгээр нь консорциумууд зориулалттай судалгаа, гэх мэт Trustworthy Federated Data Analytics (TFDA) төсөл Германы канцер консорциумууд нь Joint Imaging Platform Германы эмнэлгийн илрүүлэг судалгааны байгууллагад децентрализованы судалгааг боломжийг олгодог. Бусад жишээ нь маммографын үнэлгээ хийхэд AI-ийн загварыг хөгжүүлэхэд FL-ийг ашигладаг олон улсын судалгааны хамтын ажиллагаа юм. . судалгаа нь FL-г үүсгэсэн загварууд нэг институтын өгөгдөл дээр сургалттай хүмүүст илүү гүйцэтгэсэн бөгөөд ихэвчлэн бусад институтын өгөгдөл дээр сайн гүйцэтгэсэн гэж үзсэн. Гэсэн хэдий ч, FL нь зөвхөн эрдэм шинжилгээний орчинд хязгаарлагдмал биш юм. Академик 49 50 51 Эрүүл мэндийн байгууламж, судалгааны төвд хязгаарлагдмал биш, FL-ийг холбож болно Impact. Ажлын HealthChain төсөл , Жишээ нь, Франц дахь 4 эмнэлэг дээр FL framework хөгжүүлэх, ашиглах зорилготой юм. Энэ шийдэл жижиглэнгийн рак, меланома эмчүүдийн эмчилгээний хариу урьдчилан сэргийлэх боломжийг бий болгодог. Энэ нь онкологийг тэдний гистологи, дермоскопийн зурвас дээр бүр эмчүүдийн хувьд хамгийн үр дүнтэй эмчилгээний тодорхойлолт хийхэд туслах болно. Өнгөрсөн өргөн хүрээтэй үйл ажиллагаа нь Federated Tumour Segmentation (FeTS) эх үүсвэр юм. , which is an international federation of 30 committed healthcare institutions using an open-source FL framework with a graphical user interface. The aim is to improve tumour boundary detection, including brain glioma, breast tumours, liver tumours and bone lesions from multiple myeloma patients. Клиникийн 52 53 Өндөр нөлөө газар нь дотор судалгаа, хувилбар. FL нь хамтын ажиллагааны судалгааг боломжийг олгодог, тэр ч байтугай өрсөлдөгч компаниуд. Энэ контекстд, хамгийн том үйл явц нь Melloddy төсөл юм Энэ нь 10 фармацевт компанийн өгөгдлийн цуврал дээр multi-task FL-ийг суулгах зорилготой төсөл юм. Химийн нэгдлүүд нь протеиныг хэрхэн холбох талаархи тодорхойлолттай, нийтлэг үзүүлэлттэй загвар боловсруулахын тулд партнёрууд нь их үнэтэй дотоод өгөгдлийг харуулсангүйгээр эмчилгээний олборлолт үйл явцыг optimize авахыг хүсч байна. Аж үйлдвэрийн 54 Үйлчлүүлэгчдэд нөлөө FL comprises a paradigm shift from centralised data lakes and it is important to understand its impact on the various stakeholders in a FL ecosystem. Клиникийн Эмэгтэйчүүд нь ихэвчлэн тэдний байрлал, демографын байгаль орчныг суурилсан жишээ нь ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэвчлэн ихэв Эмэгтэй Эмэгтэйчүүд нь ихэвчлэн орон нутгийн эмчилгээтэй байдаг. Глобал түвшинд FL-ийг үүсгэхийн тулд эмчилгээний байрлалд ямар ч өндөр чанарын клиникийн шийдлийг хангах боломжтой. Жишээ нь, хязгаарлагдмал газар дахь эмнэлгийн тусламжтай эмчүүд нь ихэнх өндөр чанарын ML-ийн тусламжтай диагнозүүдээс ашигтай байж болох юм. Энэ нь бага, эсвэл географ хэлбэрийн хязгаарлагдмал эмчүүдтэй бол энэ нь хурдан, нарийвчлалтай дијагноз хийх боломжтой бол хязгаарлагдмал нөлөөтэй байж болох юм. FL-ийг өгөгдлийн оюутнуудыг багасгахын тулд хязгаарлагдмал байж болох юм. Эмэгтэйчүүд болон практик Эдгээр болзоо, практик нь өгөгдлийг бүрэн дагаж болно, өгөгдлийн хангахын тулд бүрэн хяналттай байх болно. Гэсэн хэдий ч, энэ нь орон сууцны компьютерийн зах зээл дээр хөрөнгө оруулалт, хувийн хөнгөн үйлчилгээг хангах, стандарт, синоптик өгөгдлийн форматд хангахын тулд ML загварууд нь бүрэн боловсруулсан, үнэлгээтэй байх болно. Түүний хэрэгцээтэй компьютерийн хүчин чадал нь сайтын зөвхөн үнэлгээ, туршилтын үйл ажиллагаа, эсвэл сургалтын үйл ажиллагаа явуулж байгаа эсэхийг хамаарна. Үүнээс гадна харьцангуй жижиг институтууд оролцож чадна, тэдний багц загварууд ашигтай байх болно. судалгаачид, AI хөгжүүлэгчид Барилгачид, АИ-ийн хөгжүүлэгч нь эрчим хүчтэй бодит дэлхий даяар өгөгдлийн цуглуулгыг хандах боломжийг олгодог бөгөөд энэ нь бага судалгааны лаборатори, эх үүсвэртэй компаниудад үр дүнтэй нөлөөлж болно. Иймээс, эрчим хүчний хэрэгцээг клиник хэрэгцээ, холбоотой техникийн асуудлуудыг шийдэхийн тулд хязгаарлагдмал өгөгдлийн цуглуулгыг хамаарна. Үүнээс гадна, federated training-ийн алгоритмийн стратегыг судалгаа хийх шаардлагатай болно. , , . FL-д суурилсан хөгжүүлэлт нь судалгаач эсвэл AI хөгжүүлэгч нь загварыг боловсруулсан бүх өгөгдлийг судлах, визуалж чадахгүй, жишээлбэл, одоогийн загварыг харьцуулахад ямар нэгэн ач холбогдолтой үр дүнд харьцуулах боломжтой биш юм. 11 12 20 Эрүүл мэндийн хангамж Олон улс орнуудад эрүүл мэндийн үйлчилгээний ханган нийлүүлэгч нь томъёо суурилсан, т.н. зардалтай үйлчилгээний тусламжтай, үнэт суурилсан эрүүл мэндийн тусламжтай байлгах болно. Энэ нь илүү үнэтэй индивидуалжтой эмчилгээг дэмжих тухай биш юм. Энэ нь илүү төвлөрсөн эмчилгээг илүү хурдан илүү сайн үр дүнг олж авах тухай юм. Энэ нь зардал бууруулдаг. FL нь эрүүл мэндийн эрүүл мэндийн AI-ийн нарийвчлал, хүч чадал сайжруулдаг бөгөөд зардал бууруулдаг, хэрэглэгчийн үр дүнд сайжруулдаг бөгөөд энэ нь нарийвчлалтай эмчилгээнд чухал байж болох юм. Үйлдвэрлэгчид Эрүүл мэндийн програм хангамжийн болон тоног төхөөрөмжийн үйлдвэрлэгчдэд FL-ийн ашигтай байж болох юм. олон төхөөрөмж, програм хангамжийн суралцаж, эмчүүдийн тусгай мэдээллийг харуулсангүйгээр тэдний ML-д суурилсан системийн байнгын баталгаажуулалт эсвэл сайжруулдаг. Гэсэн хэдий ч, энэ боломжуудыг гүйцэтгэхийн тулд орон нутгийн компьютерийн, өгөгдлийн хадгалах, сүлжээний боломжийг, холбоотой програм хангамжийн чухал шинэчлэлүүдийг шаарддаг. Техникийн асуулт FL нь найдвартай Konečnỳ et al. , гэхдээ янз бүрийн бусад тодорхойлолт литературт санал болгож байна , , , . A FL workflow (Фиг. ) өөр өөр топологи, компьютерийн төлөвлөгөө (Fig. Энэ хэсэгт FL-ийг илүү нарийвчлалтай тайлбарлав, FL-ийг дижитал эрүүл мэндэд хэрэглэдэг үед идэвхжүүлдэг гол асуултууд, техникийн асуултуудыг харуулсан болно. 55 9 11 12 20 1 2 Федерацийн суралцах тодорхойлолт FL нь олон хэсгүүд нь мэдээллийн цуглуулах, төвлөрүүлэх шаардлагагүйгээр хамтын ажиллагаа явуулдаг суралцалтын парадигму юм. FL-ийн ерөнхий хэлбэр нь дараах хэлбэрээр хэлдэг: орон нутгийн алдаа, хувийн өгөгдлийн дагуу тооцоо , Энэ нь тусгай оролцогчдад оршдог бөгөөд тэдний хооронд хэзээ ч хуваалцсан: K Хөгжлийн Үнэндээ > 0 нь өөрсдийн жинтэй коэффициент гэж нэрлэдэг. Нөхцөл Үнэндээ, үйлчлүүлэгч нь ихэвчлэн орон нутгийн болон шинэчлэлт хуваалцах өмнө, шууд эсвэл параметр серверээр хуваалцах өмнө хэд хэдэн туршид оптимизацийг гүйцэтгэхийн тулд дэлхий даяар консенсус загварыг олж, сайжруулдаг. Үнэндээ олон туршид орон нутгийн сургалтын гүйцэтгэсэн бол нийтлэг үйл явц нь минимизацийг баталгаатай байдаг (Eq. ) , . параметрүүд агуулсан үр дүнтэй үйл явцыг сүлжээний топологид хамаарах болно, түүнчлэн нодууд географын эсвэл хууль эрх зүйн хязгаарлалт нь дор сүлжээнд хуваалцсан болно (Fig. ). Агрегацийн стратегүүд нь нэг аггрегацийн түлхүүр (хавс болон дууны загварууд), эсвэл олон түлхүүр, ямар ч төвлөрөлтийн ямар ч. Жишээ нь peer-to-peer FL, бүх оролцогч, эсвэл дор бүлэг хооронд холболт байдаг бөгөөд загварын шинэчлэлүүд зөвхөн шууд холбогдсон сайтын хооронд хуваалцах болно. , , Centralized FL aggregation нь алгоритм 1-д санал болгож байна. Ангилаагүй, aggregation стратегүүд нь бүрэн загварын шинэчлэл талаархи мэдээлэл шаарддаггүй; хэрэглэгчид загварын параметрүүдээс зөвхөн дор бүлэгтэй хуваалцахыг сонгож болно. Communication overhead reduction, better privacy preservation эсвэл олон үйл ажиллагааны суралцах алгоритмыг үйлдвэрлэхэд тэдний параметрүүдээс зөвхөн нэг хэсэгтэй federated хэлбэрээр суралцаж байна. 1 9 12 2 15 56 10 янз бүрийн сургалтын төлөвлөгөөг боломжийг олгодог нэгж хүрээ нь компьютерийн эх үүсвэрийг (Дэний болон серверүүд) Фиг дээр хэлсэн шиг. Эдүүлбэр нь хэд хэдэн партнерад нэг загварын траекторийг тодорхой өгөгдлийн багц дээр сургалт, үнэлгээ авах зорилготой юм. Компьютерийн план 2 Зөвлөгөө & асуултууд FL-ийн боломжуудыг хамаарна, энэ нь эмнэлгийн өгөгдлийн талаарх суралцах талаархи бүх асуултуудыг шийддэггүй. амжилттай загварын сургалт нь өгөгдлийн чанарын, тохируулга, стандартизаци гэх мэт факторуудад хамаарна. . These issues have to be solved for both federated and non-federated learning efforts via appropriate measures, such as careful study design, common protocols for data acquisition, structured reporting and sophisticated methodologies for discovering bias and hidden stratification. In the following, we touch upon the key aspects of FL that are of particular relevance when applied to digital health and need to be taken into account when establishing FL. For technical details and in-depth discussion, we refer the reader to recent surveys , , . 2 11 12 20 Бүтээгдэхүүний heterogeneity Эрүүл мэндийн өгөгдөл нь янз бүрийн байдаг - зөвхөн хэлбэр, хэмжээ, шинж чанарын янз бүрийн хувьд биш, гэхдээ тодорхой протоколын дотор гэхдээ, хэрэглээний янз бүрийн, эмнэлгийн төхөөрөмжийн брэнд, орон нутгийн демографийн зэрэг факторууд нь. FL-ийн өгөгдлийн эх үүсвэрүүдийн янз бүрийн шинж чанарыг ашиглан зарим ач холбогдолтой эх сурвалжуулахад туслах болно. Гэсэн хэдий ч, FL алгоритмууд, стратегүүд нь хязгааргүй өгөгдлийн хуваалцахын тулд хязгааргүй өгөгдлийн хуваалцтай байдаг. Эдгээр нөхцөлд буцаж чадна , , , эдгээр нь хамтын ажиллагаатай суралцах стратегийн хэрэгцээг явах. Гэсэн хэдий ч, хамгийн сүүлийн үеийн үр дүнд FL сургалт нь одоо ч ач холбогдолтой юм. , эмчилгээний өгөгдөл нь байгууллагад харьцуулахад хуваалцсангүй. , эсвэл орон нутгийн биас агуулдаг Эдүүлбэр: Эдүүлбэр: Research addressing this problem includes, for example, , Part-data-sharing стратегийн болон FL нь домоохон адаптаци . Үүнээс гадна, өгөгдлийн хэт авианы байдал нь дэлхий даяар хамгийн тохиромжтой шийдэл нь тусгай орон нутгийн оролцогч хувьд хамгийн тохиромжтой байж болох юм. Тиймээс сургалтын загвар нь хамгийн тохиромжтой тодорхойлолт нь сургалтын өмнө бүх оролцогчдад тохиромжтой байх ёстой. Өнгөрсөн 9 9 57 58 59 16 17 51 Эдүүлбэр 57 58 18 Зохиогчийн эрх & Security Эрүүл мэндийн өгөгдөл нь маш хязгаарлалттай бөгөөд энэ нь тохиромжтой тайлангийн үйл явцыг дараах хамгаалах хэрэгтэй. Тиймээс, гол асуултуудын зарим нь FL-ийн хувийн мэдээллийг хадгалах хүчин чадалтай компромис, стратегийг, байгалийн ризик юм. Privacy vs. Performance: Энэ нь FL-ийн бүх боломжуудтай мэдээллийн талаархи асуултуудыг шийддэггүй, ML алгоритмуудтай харьцуулахад хэзээ ч зарим ризиктай байх болно. FL-ийн мэдээллийн хамгаалах техникиуд нь одоогийн комерциалтай ML загваруудтай илүү хамгаалах түвшин санал болгож байна. Гэсэн хэдий ч, гүйцэтгэлийн талаар компромисс байдаг бөгөөд эдгээр техникиуд нь, жишээ нь, эцсийн загварын нарийвчлал нь нөлөөтэй байж болно Үүнээс гадна, долоо хоногт техникийн болон / эсвэл тусламжтай өгөгдлийг бага эрсдэл гэж үзсэн загварыг хамарна. 12 10 Үйлчилгээний түвшин: Шилдэг хэлбэрийн хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийг хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн хэлбэрийн — FL консорциумууд нь бүх оролцогчид итгэмжлэгдсэн гэж үздэг бөгөөд гүйцэтгэх чадвартай хамтран ажиллахад туслах болно, бид мэдрэгчтэй мэдээллийг олж авах, эсвэл загваруудтай загваруудтай туршиж гэх мэт ихэнх нэхмэл дуртай морилно уу. Энэ нь софистицийг хянах хэрэгцээг багасгаж, стандарт хамтран ажилласан судалгааны принципег хамардаг. Trusted —FL системд, их хэмжээний үйл ажиллагаа явуулж байгаа бөгөөд энэ нь гүйцэтгэх боломжийг олгодог хамтран ажиллахад тохиромжтой байж болох юм. Зарим үйлчлүүлэгч нь үйл явцыг багасгах, системийг багасгах, бусад гишүүдээс өгөгдлийг олж авахыг хүсч болох юм. Тиймээс, эдгээр эрсдлийг багасгахын тулд аюулгүй байдлын стратегүүд шаардлагатай болно. загварын илгээх дэвшилтэт шифрлэдэг, бүх гишүүдтэй аюулгүй автентичлэл, үйл явцыг дагаж чадна, дифференциал шифрлэдэг, баталгаажуулалтын систем, гүйцэтгэлийн нарийвчлал, загварын нарийвчлал, антанд хамгаалах. Үнэгүй Информацийн хязгаарлалт: ФЛ системийн тодорхойлолт нь туслах байгууллага хооронд эрүүл мэндийн өгөгдлийг хуваалцах болно. Гэсэн хэдий ч, хуваалцсан мэдээлэл нь орон нутгийн сургалтанд ашиглагддаг хувийн өгөгдлийг нягтлан илрүүлэх болно. загварын шинэчлэл, gradients themselves or adversarial attacks , FL нь сургалтын үйл явц нь хэд хэдэн гишүүдтэй холбоотой байх үед уламжлалт сургалтын талаархи янз бүрийн юм. Энэ нь хэзээ ч туршилтаар загварыг өөрчлөгдөж, тодорхой загварыг шинэчлэх (жишээ нь, нэг институтын шинэчлэл), эсвэл загварыг манипуляц (жишээ нь, gradient-ascent-style атак дамжуулан бусад хүмүүсийн нэмэлт хуваалцах) ашиглаж болно. , ачаалалтай дифференцийг хангах , шаардлагатай байж болох бөгөөд одоо ч байтугай судалгааны үйл явдал юм . 60 61 62 63 16 18 44 12 Traceability болон ач холбогдол Бүх аюулгүй байдалтай хэрэглээнд харьцуулахад системийн репродукцийг эрүүл мэндэд FL-ийн хувьд чухал юм. төвлөрсөн сургалттай харьцуулахад FL-ийн харьцуулахад харьцуулахад харьцуулахад харьцуулахад харьцуулахад харьцуулахад маш их янз бүрийн програм хангамж, програм хангамж, сүлжээнд харьцуулахад маш их янз бүрийн компьютерийг шаарддаг. Бүх системийн тоног төхөөрөмж, өгөгдлийн нэвтрэх түүх, сургалтын конфигураци, сургалтын үйл явц хооронд гиперпараметрийн тохиргоо зэрэг бүх системийн тоног төхөөрөмж нь давуу талбарлахад шаарддаг. Үүнээс гадна, итгэмжлэгдсэн альянсууд дахь сургалтанд хэрэглэгддэг өгөгдлийн чанар, . FL-ийн нэг нөлөө нь судлаачид тавтай морилно ууны үр дүнг мэдэгдэж байгаа загвар дээр өгөгдлийг судлах боломжтой биш юм. Үүнээс гадна, загвар хөгжүүлэх ажлын үйл явцыг нэг хэсэг болгон тэдний сургалтын өгөгдлийн статистик хэмжих нь хамтын ажиллагаа явуулж байгаа хүмүүст хувийн найдвартай биш гэж зөвшөөрөх шаардлагатай болно. Гэсэн хэдий ч бүх сайт нь өөрийн зэвэрдэггүй өгөгдлийг хангах болно, федерациуд энэ хэрэгцээг хангахын тулд зарим нь аюулгүй intra-node үзэх тоног төхөөрөмж санал болгож болно, эсвэл дэлхий даяар загварын тодорхойлолт, интерпретацийг нэмэгдүүлэх бусад арга замыг санал болгож болно. 64 Системийн архитектура Unlike running large-scale FL amongst consumer devices such as McMahan et al. , эрүүл мэндийн институтын оролцогчид харьцангуй хүчтэй компьютерийн эх үүсвэрийг, найдвартай, өндөр дамжуулалттай сүлжээг тоног төхөөрөмжтэй бөгөөд ихэнх орон нутгийн сургалтын шатанд том загварууд боловсруулсан, хоолой хооронд илүү загварын мэдээлэл хуваалцах боломжийг олгодог. эрүүл мэндийн салбарт FL-ийн Эдгээр тусгай шинж чанарыг тавтай морилно уу, redundant knots ашиглан харилцаа холбооны үед өгөгдлийн энгийн баталгаажуулах, өгөгдлийн унтраахыг урьдчилан сэргийлэхийн тулд аюулгүй шифрлийн арга хэрэгслүүдийг боловсруулдаг, эсвэл дистрибуировантай компьютерийн төхөөрөмжүүдийн хамгийн сайн хэрэглээг авахын тулд тохиромжтой knot schedulers боловсруулдаг. 9 Тавтай морилно уу, Хэрэв та үүнийг татаж авахыг хүсч байгаа бол, энэ нь тавтай морилно уу. Хэрэв та үүнийг татаж авахыг хүсч байгаа бол, бид тавтай морилно уу. Хэрэв та үүнийг татаж авахыг хүсч байгаа бол, бид татаж авахыг хүсч байна. Хэрэв та үүнийг татаж авахыг хүсч байгаа бол, бид татаж авахыг хүсч байна. Хэрэв та үүнийг татаж авахыг хүсч байгаа бол, бид татаж авахыг хүсч байна. Хэрэв та үүнийг татаж авахыг хүсч байгаа бол, бид татаж авахыг хүсч байна. Баримтлал ML, ялангуяа DL, дижитал эрүүл мэндийн салбарт олон янз бүрийн шинэчлэлд идэвхжсэн юм. ML-ийн бүх арга хэрэгсэл нь тавтай морилно уу дэлхий даяар хуваалцсан өгөгдлийг хангах боломжийг маш их ашигтай бөгөөд FL нь хүчтэй, нарийвчлалтай, найдвартай, найдвартай, найдвартай загварыг олж авахын тулд амттай арга хэрэгсэл юм. Түүнээс гадна, FL нь мэдрэгчтэй эмнэлгийн өгөгдлийг олж буй талаархи асуултуудын талаархи талаархи асуултуудыг сайжруулдаг. Үүний үр дүнд, энэ нь шинэ судалгаа, бизнесийн арга замыг нээж чадна, пациент тусламжын тулд дэлхий даяар сайжруулдаг. Гэсэн хэдий ч, FL нь Гэсэн хэдий ч, бид тавтай морилно уу тавтай морилно уу тавтай морилно уу тавтай морилно уу. 12 Үзүүлэлт Further information on research design is available in the Энэ нийтлэлтэй холбоотой. Байгалийн судалгааны тодорхойлолт References 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 Ажлын Эдгээр үйл ажиллагаа нь Их Британийн судалгаа, шинэчлэлт Лондоны эмнэлгийн илрүүлэгч & үнэт суурилсан эрүүл мэндийн шинжлэх ухааны төв, Wellcome / EPSRC эмнэлгийн инженерийн төв (WT203148/Z/16/Z), Wellcome флагман хөтөлбөр (WT213038/Z/18/Z), National Institutes of Health (NIH) Clinical Center-ийн Интрамуралын судалгааны хөтөлбөр, National Cancer Institute of the NIH (DAAD) нь U01CA242871, NIH-ийн National Institute of Neurological Disorders and Stroke (BMBF) -ийн National Institute of Neurological Disorders and Stroke (WT213038/Z/18/Z) болон Helmholtz Initiative and Networking Fund (Project "Trustworthy Federated Data Analytics") болон PRIME хөтөлбөр Энэ нийтлэл нь CC by 4.0 Deed (Attribution 4.0 International) лицензтай байдаг. Энэ нийтлэл нь CC by 4.0 Deed (Attribution 4.0 International) лицензтай байдаг.
