د نویسنده: د ریموټ Jonny Hancox د لګښت Fausto Milletarì Holger R. Roth په اړه د شانګهای د هګۍ Spyridon Bakas Mathieu N. Galtier بینټ A. لینډمن Klaus Maier-Hein Sébastien Ourselin د مایک Sheller Ronald M. Summers Andrew Trask Daguang Xu د Maximilian Baust د جورج کارډوزو د نویسنده: د ریموټ جوني هانکوکس د لګښت فاسټو Milletarì Holger R. Roth په اړه د شانګهای د هګۍ د سپریډون بیک Mathieu N. Galtier بینټ A. لینډمن د کانټینټ سباستین Ourselin د مایک Sheller رونالډ M. Summers Andrew Trask د تیلو د Maximilian Baust د جورج کارډوزو د Abstract د ډاټا ډیزاین ماشین زده کړې (ML) د طبي معلوماتو څخه د دقیق او قوي اټکلونه جوړولو لپاره یو قوي لارښود په توګه ښودل شوی، کوم چې د مدرن روغتیا سیسټمونو لخوا په لوی حجمونو کې راټول کیږي. د موجودو طبي معلوماتو په عمده توګه د ML لخوا په بشپړ ډول کارول نه کیږي ځکه چې دا د ډاټا سیلسونو کې وي او د خصوصیت په اړه ستونزه د دې معلوماتو ته دسترسی محدودوي. په هرصورت، د کافی معلوماتو ته لاس رسی، د ML به د خپل بشپړ پیاوړتیا ته ورسیږي او په پایله کې د څیړنې څخه د کلینیک عملیاتو ته ورسیږي. دا کاغذ د دې ستونزو په اړه د مهمو عوامل په پام کې کوي، د فدرالي زده کړې (FL) څنګه د د نندارتون د مصنوعي انټرنټ (AI) په اړه څیړنې، او په ځانګړې توګه د ماشین زده کړې (ML) او عمیق زده کړې (DL) پرمختګونه په radiology، pathology، genomics او نورو سيمو کې مخکښ نوښتونه ترسره کړي. عصري DL ماډلونه میلیونونو پارامترونو لري چې باید د کافی لوی curated ډاټا سیټونو څخه زده شي ترڅو د کلینیکي کچه د دقت ترلاسه کړي، په داسې حال کې چې خوندي، عادلانه، عادلانه او د معلوماتو لپاره ښه عمومي وي. , , , . 1 2 3 4 5 د مثال په توګه، د AI-based tumor detector روزنې ته اړتيا لري یو لوی ډاټاټا چې د احتمالي اناتومیاونو، ناروغۍ او د انټرنېټ ډاټا ډولونو په بشپړه کچه پوښښ لري. د معلوماتو په څیر دا سخت دی چې ترلاسه شي، ځکه چې د روغتیا ډاټا ډیر حساس دی او د هغې د کارولو په سخته توګه تنظیم شوي دي. که څه هم ډاټا انیمیشن د دغو محدودیتونو څخه مخنیوی شي، دا اوس په بشپړه توګه پوه شي چې د مریض نوم یا د جنسي تاریخ په څیر د میټاټاټاټونو د پاکولو ډیری وختونه د پرائیویسی د ساتنې لپاره کافی نه ده. د مثال په توګه، د کمپیوټریټ ټومونګراف (CT) یا مقناطیسي رینزینګ (MRI) ډاټا څخه د ناروغان په چمتو کولو کې امکان لري. بل دلیل چې د ډاټا اشتراک په روغتیا کې سیستماتیک نه ده دا ده چې د لوړ کيفيت ډاټا سیټ راټولولو، کوډولو او ساتلو لپاره ډیر وخت، هڅه او لګښت اړتیا لري. په پایله کې، د دې ډاټا سیټونه کولی شي د سوداګرۍ ارزښت لري، کوم چې دا کم احتمال لري چې دوی په وړیا توګه شریک شي. په بل کې، ډاټا سیټونه معمولا د ډاټا سیټونو په اړه د کنټرول په اړه چې دوی راټول شوي دي. 6 7 8 د فدرالي زده کړې (FL) , , دا یو زده کړې پیراګرام دی چې د ډاټا حکومت او پرائیویسی ستونزه سره د algorithms په همکارۍ سره د ډاټا ځان د تبادله له لارې حل کړي. په اصل کې د مختلفو ډومینونو لپاره جوړ شوی، لکه د ګرځنده او Edge د وسایلو د کارولو په صورت کې ، دا په دې وروستيو کې د روغتیا د غوښتنلیکونو لپاره د جذب ترلاسه کړ , , , , , , , . FL اجازه ورکوي چې په همکارۍ سره، د مثال په توګه، په توګه د توافق ماډل، د ناروغانو ډاټا د انټرنېټونو د انټرنېټونو په کې چې دوی ژوند کوي په پرتله حرکت نه کوي. په عوض، د ML پروسه په هر ګډون کوونکي انټرنېټ کې موقعیت لري او یوازې د ماډل ځانګړتیاوې (د مثال په توګه، پارامترونه، gradients) په توګه په انځور کې انتقال کیږي. د وروستیو څیړنو ښودلي چې د FL لخوا زده شوي ماډلونه کولی شي د مرکزي میزبان ډاټا سیټونو کې زده شوي ماډلونو سره پرتله وړتيا وي او د ماډلونو څخه غوره وي چې یوازې انفرادي واحد ادارو ډاټا وګورئ. , . 9 10 11 12 13 14 15 16 17 18 19 20 1 16 17 د FL مجموعې سرور - د FL ځانګړي کار فورمه چې په دې کې د روزنې نښانونه فدرالي ماډل ترلاسه کوي، د منځني سرور ته د منځني سرور ته د مجموعې لپاره د ځینو وختونو لپاره د دوی د برخه د روزنې ماډل ته ورسیږي او بیا د konsensus ماډل په اړه د روزنې ادامه کوي چې د سرور ته ورسیږي. FL peer to peer - د FL بدلون جوړولو په کوم ډول کې چې هر روزنې نښلیدو د ځینې یا د ټولو خپل همکارانو سره د خپل برخي روزنې ماډلونه تبادله کوي او هر یو خپل ټولګیټ کوي. مرکزي روزنې - د عمومي غیر FL روزنې کار فلو په توګه چې د معلوماتو ترلاسه کولو سایټونه خپل معلوماتو ته د مرکزي ډاټا لیګ ته ډاټا ورکوي چې دوی او نورو کولی شي د محلي، مستقل روزنې لپاره ډاټا اخلي. a b c له دې امله د FL په بریالیتوب سره د عالي مقناطیسي درملنې وړاندیز کولو لپاره د پیاوړتیا پیاوړتیا پیاوړتیا لري، له دې امله د ماډلونو ته اړتیا لري چې د بیلابیلو تصمیماتو ترسره کړي، د انفرادي فیزیولوژي په اتوماتيک ډول وښيي، او د رنګ ناروغۍ ته حساس دي، په داسې حال کې چې د حکومت او پرائیویسی مسؤلیتونو په احترام کې وي. په هرصورت، FL تل د تخنیکي تفاهم ته اړتيا لري ترڅو ډاډمن شي چې د انډولډیم د خوندیتوب یا ناروغانو پرائیویسی ته خطر نه ورکوي. په هرصورت، دا د لارښوونې محدودیتونو په پرتله وړاندیز کوي چې د واحد مرکزي ډاټا پو موږ د ډیجیټل روغتیا لپاره یو فدرالي راتلونکي تصور کوو، او د دې پیژندنې کاغذ سره، موږ زموږ د موافقې نظر سره شریک دي چې د ډیجیټل روغتیا لپاره د ډیجیټل روغتیا لپاره د ډیجیټل روغتیا لپاره فایبرونو او اغیزو په اړه ټولنه او تفصيلات برابر کړي (د "د معلوماتو پر بنسټ د درملنې اړتيا لري" برخه)، او همدارنګه د ډیجیټل روغتیا لپاره ډیجیټل روغتیا لپاره د ډیجیټل لپاره د ډیجیټل روغتیا غوښتنلیکونو په اړه د مهمې نظرونو او چالونه (د "د تکنالوژيک نظرونو" برخه) ته وده ورکړي. د معلوماتو پر بنسټ د درملنې اړتیا لري د فدرالي هڅو د ML او په ځانګړې توګه د DL په ډیری صنعتونو کې د معلوماتو کشف په واقعیت کې لارښود کیږي، مګر د ډاټا ډیزاین اپلیکیشنونو په بریالیتوب سره لوی او پراخ ډاټا سیټونه اړتیا لري. په هرصورت، د طبي ډاټا سیټونه سخت دي چې ترلاسه شي (د ډاټا پر بنسټ). FL د دې ستونزو سره حل کوي ترڅو د ډاټا د مرکزي کولو پرته د همکارۍ زده کړې (د ډاټا پر بنسټ د فدرالي هڅو د وعده) او د ډیجیټل روغتیا غوښتنلیکونه (د ډیجیټل روغتیا لپاره د ډیجیټل روغتیا لپاره د اوسني ډاټا ډاټا سیټونه) ته چمتو شوي دي). دا نوی زده کړې پیرامیډم د مختلفو روغ د معلوماتو په اړه د اعتماد د ډاټا ډیزاین لارښوونې د معلوماتو پر بنسټ دي چې په حقیقت کې د ستونزو د زیرمې ډاټا توزیع رامینځته کوي. که څه هم دا یو مشهور اړتیا ده، د پرمختللي اګوریتمونه معمولا د ډاټا سیټونو په اړه د دقت په اړه ارزښت شوي دي، ډیری وختونه یوازې د ځینې سرچینو څخه رامینځته کیږي. دا کولی شي په هغه ځایونو کې بیلابیلو رامینځته کړي چې د نمونې (د مثال په توګه، جنسي، عمر) یا تخنیکي بیلابیلو (د مثال په توګه، د استوګنې پروتوکول، وسایلو جوړونکي) پیژندلونه مخه کوي او د ځینې ډلې یا ځایونو لپاره د دقیقې اغیزو اغیزه کوي. په هرصورت، د ناروغ د AI روزنې لپاره لوی ډاټا بیسونو ته اړتيا لري چې د ډیرو ادارو څخه ډاټا یوځای کولو لپاره ډیری انټرنټونه رامینځته کړي. دا ډاټا اغیزمنه په نامه د ډاټا لیزونو کې رامینځته کیږي. دا د ډاټا د سوداګرۍ ارزښت څخه ګټور کولو هدف سره جوړ شوي دي، لکه د IBM د Merge Healthcare ګټه ، یا د اقتصادي ودې او علمي پرمختګ لپاره د سرچینې په توګه، د مثال په توګه، د NHS سکاټلینډ د ملي خوندي بندر د فرانسې د روغتیا ډاټا هاب ، او د روغتیا د معلوماتو څیړنې UK . 21 22 23 24 عمده، که څه هم کوچني، د نوښتونو په شمول د انسان Connectome د UK Biobank د سرطان انځور کولو آرشیف (TCIA) د NIH CXR8 NIH DeepLesion , the Cancer Genome Atlas (TCGA) د Alzheimer بیماری Neuroimaging Initiative (ADNI) ، او همدارنګه د درملنې لوی چالونه such as the CAMELYON challenge د بین الاقوامی multimodal دماغ tumor segmentation (BraTS) چټک , , یا د طبي segmentation Decathlon د عامه طبي معلوماتو معمولا دنده یا ناروغۍ ځانګړي دي او غالبا د مختلفو کچه د لائسنس محدودیتونو سره خپور شوي دي، ځینې وختونه د دې لګښت محدودوي. 25 26 27 28 29 30 31 32 33 34 35 36 37 په هرصورت، ډاټا د مرکزي یا آزادولو نه یوازې د قانوني، اخلاقي او قانوني چمتو کوي، د انفرادي او د معلوماتو ساتنې په اړه، بلکه د تخنیکي چمتو کوي. انونیز، د لاسرسي کنترول او د روغتیا ډاټا په خوندي ډول انتقال یو غیر معمولي، او ځینې وختونه غیرقانوني کار دی. د برېښنايي روغتیا ریکارډ څخه انونیز شوي ډاټا کولی شي ناڅاپي وي او د GDPR / PHI سره مطابقت لري، مګر یوازې ځینې ډاټا عناصر ممکن د ناروغانو د رخصتولو اجازه ورکړي. دا هم د جینومیک معلوماتو او طبیي انځورونو لپاره د دې لپاره چې دوی د fingerprint په توګه ځانګړي وي. . Therefore, unless the anonymisation process destroys the fidelity of the data, likely rendering it useless, patient reidentification or information leakage cannot be ruled out. Gated access for approved users is often proposed as a putative solution to this issue. 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 د فدرالي فعالیتونو وعده د ډیجیټل ډاټا کنټرولر د ډیجیټل کنټرولر نه یوازې د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجیټل کنټرولر د ډیجی لکه څنګه چې په Fig. , a FL workflow can be realised with different topologies and compute plans. The two most common ones for healthcare applications are via an aggregation server , , and peer to peer approaches , . په ټولو صورتونو کې، FL په غیرقانوني توګه د انفرادي کچه وړاندیز کوي، ځکه چې FL شرکتونه هیڅکله په مستقیم ډول د نورو ادارو څخه د معلوماتو ته لاس رسی نه کوي او یوازې د ماډل پارامترونه ترلاسه کوي چې د ډیرو شرکتونو په اړه ګروپ شوي دي. په یو FL د ګروپ کولو سرور سره د کار فورمه کې، د ګډون کوونکو ادارو حتی کولی شي د یوځای لپاره ناشناخته وي. په هرصورت، دا ښيي چې د ماډل ځان، په ځینې شرایطو کې، معلومات یاد کړي. , , , له دې امله، د مختلفو پرائیویسی په څیر میکانیزمونه , یا د کوډ شوي ډاټا څخه زده کړې لپاره د FL ترتیبات کې د پرائیویسی اضافي وده ورکړل شوي دي (د "د تخنیکي نظرونو" برخه وګورئ). په ټولیزه توګه، د روغتیا د غوښتنلیکونو لپاره د FL پیاوړتیا په ټولنې کې دلچسپي وده ورکړي او د FL تکنالوژۍ د څیړنې په پراخه کچه برخه ده , . 2 16 17 18 15 39 40 41 42 43 44 45 46 12 20 FL تپولوژیکونه - د فدراسیون د اړیکو آرکټیکټ. مرکزي: د مجموعې سرور د روزنې iterations تعقیب کوي او د ماډلونه د روزنې نودونو ته او له لارې (Hub & Spoke) راټولوي، aggregates او توزیعوي. Dezentralized: هر روزنې نښلیدو سره یو یا ډیری همکارانو سره اړیکه ونیسئ او د مجموعې په دوامداره توګه په هر نښلیدو کې ترسره کیږي. جغرافیایی: د فدرالي شبکې کولی شي د څو زیر فدراسیونونو څخه جوړ شي، چې کولی شي د Peer to Peer او Aggregation Server فدراسیونونو څخه جوړ شي ( )). د FL کمپیوټر پلانونه - د څو شریکانو په منځ کې د يو ماډل لارښوونې. sequential training / cyclic transfer learning. د مجموعې سرور، د Peer د Peer. a b c d e f g د ډیجیټل روغتیا لپاره اوسني FL هڅو لکه څنګه چې FL یو عمومي زده کړې پیراګرام دی چې د AI ماډل پراختیا لپاره د ډاټا بیلابیلو اړتیا لرې کوي، د FL غوښتنلیک لړ د روغتیا لپاره د AI ټولې پراختیا لري. له دې امله چې د ډاټا په پراخه کچه بدلون ترلاسه کولو او په مختلفو ډیمګرافیکونو کې د ناروغانو تحلیل کولو فرصت وړاندې کوي، FL ممکن د راتلونکي لپاره مخکښ نوښتونه چمتو کړي، مګر اوس هم کارول کیږي. د بریښنايي روغتیا ریکارډونو (EHR) په کنټرول کې، د مثال په توګه، FL د کلینیکي ورته ناروغانو لپاره وده ورکوي او پیدا کړي. , ، او همدارنګه د قلبی واقعاتو له امله د بیمارستانونو مخنیوی ، د مرستې او د ICU د ژوند وخت د FL غوښتنلیک او ګټې هم په طبیعي انځور کولو کې د MRI کې د بشپړ دماغ segmentation لپاره ثابت شوي دي. ، او همدارنګه د دماغ tumor segmentation , په دې وروستيو کې، د fMRI ټولګي لپاره تکنالوژۍ کارول شوی دی چې د ناروغۍ په اړه د باور وړ بیومیکرونه ونیسئ. او د COVID-19 په کنټرول کې د لګښت وړ لارښود په توګه پیشنهاد شوی . 13 47 14 19 15 16 17 18 48 دا ارزانه ده چې د FL هڅو ته اړتيا لري چې د کارول په کچه، هدف او تکنالوژۍ د مشخصولو لپاره د توافقونو ته اړتيا لري چې، ځکه چې دا اوس هم نوښت دی، کولی شي سخت وي. په دې اړیکو کې، د امروز په پراخه کچه لارښوونې په حقیقت کې د روغتیا د غوښتنلیکونو کې د خوندي، عادلانه او نوښت همکارۍ لپاره د راتلونکي معیارونو مخکښ دي. په دې کې شامل دي consortia چې هدف ته وده ورکړي څیړنې، لکه د Trustworthy Federated Data Analytics (TFDA) پروژې او د جرمني سرطان کانسورټ د ګډ انځور کولو پلیټ فارم ، چې په آلمان کې د طبي انځور کولو څیړنې موسسهونو کې dezentralized څیړنې وړاندیز کوي. یو بل مثال د نړیوالو څیړنې همکارۍ ده چې FL کاروي د mammograms ارزښت لپاره د AI ماډلونو پراختیا لپاره . د څېړنې ښيي چې د FL-generated ماډلونه د یو واحد انستیتوب د معلوماتو په اړه زده کونکو څخه ګټه واخلئ او ډیر عمده شي، نو دوی د نورو انستیتوب د معلوماتو په اړه هم ښه کار کوي. په هرصورت، FL نه یوازې د زده کړې چاپیریالونو ته محدود دی. د تعلیق 49 50 51 د روغتيايي ادارو، نه د څیړنې مرکزونو ته محدود شي، FL کولی شي په مستقیم ډول impact. The ongoing HealthChain پروژې ، د مثال په توګه، په فرانسې کې په څلور بیمارستانونو کې د FL فریم ورک د پراختیا او پراختیا ته هدف لري. دا حل عام ماډلونه تولید کوي چې د سټینټ کینسر او ملینوم ناروغانو لپاره د درملنې ځواب مخنیوی کوي. دا د انکلولوژیکانو سره مرسته کوي چې د هر ناروغ لپاره د انټولوژیک ډیزاین یا د دریموسکوپی انځورونو څخه د هر ناروغ لپاره ترټولو اغیزمن درملنې ټاکل کړي. یو بل لوی مقناطیسي هڅه ده د فدرال ټیم سیګنټینشن (FeTS) لارښود ، کوم چې د 30 مسلکي روغتيايي ادارو څخه یو نړیوال فدراسیون ده چې د ګرافیکی کارن انټرنیټ سره د Open-Source FL چارچوب کاروي. هدف دا ده چې د دماغ ګلیوم، سټیټونوم، کټیټونوم او کټیټونوم ناروغانو څخه د ډیری ناروغانو څخه د ګلیوم محدود تشخیص ښه کړي. کلینیک 52 53 نور د اغیزو په سيمه کې دي څیړنې او ترجمې. FL د شرکتونو لپاره د همکارۍ څیړنې وړاندیز کوي، حتی د رقابتی شرکتونو لپاره. په دې کنټرول کې، د Melloddy پروژې یو لوی انټرنټ دی دا یو پروژې ده چې په 10 درملو شرکتونو ډاټا سیټونو کې د ډیټا ټیسک FL جوړولو ته هدف لري. د یو مشترکه پیشینه ماډل جوړولو له لارې، کوم چې د کیمیاوي مرکبونو د پروټینونو سره څنګه تړاو لري، همکارانو غواړم چې د درملو کشف پروسه غوره کړي پرته له دې چې دوی د ګټور داخلي ډاټا ښودل کړي. صنعتي 54 Impact on stakeholders FL د مرکزي ډاټا جالونو څخه د پیرامیډ بدلون شامل دي او دا مهم دی چې د دې اغیزې په یو FL اکوسیسټم کې د مختلفو دلچسپی لرونکو په اړه پوه شي. د کلینیک د کلینیکس معمولا د جمعیت د زیربنا په اساس د دوی د موقعیت او د نمونې چاپیریال په اساس یو زیربنا ته شتون لري، کوم چې ممکن د ځینې ناروغۍ احتمال یا د دوی د اړیکو په اړه دوامداره فرضونه ونیسئ. د ML پر بنسټ سیسټمونو په کارولو سره، د مثال په توګه، د دویمې لوستونکي په توګه، دوی کولی شي د نورو ادارو څخه د تجربو معلوماتو سره د خپل تخصص زیات کړي، د ډاټا د یوځایتیا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډاټا ډ د ناروغانو د ناروغانو په عمومي توګه په کور کې درملنه کیږي. د نړۍ په کچه د FL جوړولو کولی شي د درملنې ځای په اړه د کلینیکي فیصلہونو لوړ کیفیت تضمین کړي. په ځانګړي توګه، د ناروغانو چې د درملنې ځای کې درملنې ته اړتيا لري، کولی شي د ورته لوړ کیفیت ML سره مرسته شوي تشخیصونو څخه ګټه واخلئ چې په ناروغانو کې شتون لري. دا هم د نادري، یا جغرافیایي غیر معمولي، ناروغانو لپاره شتون لري، کوم چې احتمال لري چې د بریالیتوب او دقیق تشخیصونه ترسره شي. FL کولی شي د ډاټا ډونر شي، لکه څنګه چې ناروغان کولی شي ډاټا په خپل موسسه کې وي او د ډاټا د لاس رسی کولی شي. د ناروغانو او عملیاتو د ناروغانو او عملیاتو کولی شي په بشپړ کنترول او د دوی د ناروغانو ډاټا سره د ډاټا د لاس رسی وړتیا سره د ډاټا د لاس رسی کولو په بشپړه توګه د کنترول کې ونیسئ، په هرصورت، دا به په ځای کې د کمپیوټر انټرنېټ انټرنېټونو یا د خوندي سایټ خدمتونو وړاندې کولو او د معياري او synoptic ډاټا فارمونو پیژندل کې د پانګونې ته اړتيا لري نو د ML ماډلونه کولی شي په بشپړه توګه روزل شوي او ارزیابی شوي وي. د اړتیاوو د کمپیوټر وړتیا مقدار البته د دې پورې اړه لري چې یو سایټ یوازې د ارزیابیلو او ازموینه هڅو کې یا هم د روزنې هڅو کې ګډون کوي. حتی نسبتا کوچنۍ څیړونکي او AI پراختیا څېړونکو او AI پراختیا کوونکي د واقعي نړۍ د معلوماتو په پیاوړتیا سره د لاس رسی څخه ګټه واخلئ، کوم چې البته د کوچني څیړنې لیبونو او د پیل کولو شرکتونو اغېز لري. په دې توګه، د سرچینې کولی شي د کلینیکي اړتیاوو او د تړاو لري تخنیکي ستونزو حل کولو لپاره په پرتله د پرانیستې ډاټا سیټونو محدود لګښت پر بنسټ دی. په ورته وخت کې، دا به د فدرالیتیک ستراتیژیکونو په اړه څیړنې ته اړتیا وي د فدرالونو یا تازه کولو په اغیزمنه توګه ترکیب کولو، څنګه د توزیع بدلونونو لپاره قوي وي. , , . FL-based development implies also that the researcher or AI developer cannot investigate or visualise all of the data on which the model is trained, e.g., it is not possible to look at an individual failure case to understand why the current model performs poorly on it. 11 12 20 Healthcare providers په ډیرو هیوادونو کې د روغتيايي خدمتونو عرضه کوونکي د بیلابیلو پر بنسټ، د بیلابیلو خدمتونو پر بنسټ، د ارزښت پر بنسټ د روغتيايي روغتيايي روغتيايي روغتيايي روغتيايي روغتيايي روغتياوي، چې په ګوته سره د دقت درملنې په بریالیتوب سره تړاو لري. دا د ارزښت لرونکي انفرادي درملنې ته وده ورکوي نه ده، مګر په بل کې د ښه پايلې له لارې تر ټولو تمرکز شوي درملنې له الرې ترلاسه کوي، په دې توګه د لګښت کم کړي. FL د روغتيايي روغتيايي AI د دقت او قويوالي زیات کړي، په داسې حال کې د لګښت کم کړي او د ناروغانو پایلې ښه کړي، او له همدې امله د دقت درملنې لپاره مهم وي جوړونکو Manufacturers of healthcare software and hardware could benefit from FL as well, since combining the learning from many devices and applications, without revealing patient-specific information, can facilitate the continuous validation or improvement of their ML-based systems. However, realising such a capability may require significant upgrades to local compute, data storage, networking capabilities and associated software. تخنیکي نظرونه د FL شاید د Konečnỳ et al. کار څخه تر ټولو مشهور دی. , but various other definitions have been proposed in the literature , , , . A FL workflow (Fig. ) کولی شي په مختلفو تپولوژیکونو او کمپیوټر پلانونو (Fig. ), but the goal remains the same, i.e., to combine knowledge learned from non-co-located data. In this section, we will discuss in more detail what FL is, as well as highlighting the key challenges and technical considerations that arise when applying FL in digital health. 55 9 11 12 20 1 2 د فدرالي زده کړې تعریف د FL یو زده کړې پیراګرام دی چې په دې کې د ډیرو برخو په همکارۍ سره د ډاټا سیټونو تبادله یا مرکزي کولو اړتیا نلري. د FL یو عمومي فورمول په دې توګه ښودل کیږي: اجازه ورکړئ چې د کټګورال کټګورۍ فورمول له لارې د کټګورۍ کټګورۍ له لارې ترلاسه کیږي. د محلي خساري، د شخصي معلوماتو له مخې محاسبه ، چې د انفرادي اړونده برخو کې موقعيت لري او هیڅکله د دوی په منځ کې شریک نه کیږي: K د XK where > 0 د اړونده کټګورۍ کټګورۍ معنی لري. په In practice, each participant typically obtains and refines a global consensus model by conducting a few rounds of optimisation locally and before sharing updates, either directly or via a parameter server. The more rounds of local training are performed, the less it is guaranteed that the overall procedure is minimising (Eq. ) , د پارامترونو د مجموعې لپاره د واقعي پروسه د شبکې تپولو پورې اړه لري، لکه څنګه چې نښلونه د جغرافیایی یا قانوني محدودیتونو له امله د زیرنټونو ته تخصیص شي (د انځور وګورئ. ). د مجموعې ستراتیژۍ کولی شي د یو واحد مجموعې نښلیدو (د هوټل او غږونه ماډلونه) یا د ډیری نښلیدو پرته له کوم مرکز کولو پرته پرته پرته. د مثال په توګه د peer-to-peer FL ده، چې په دې کې د ګډون کوونکو ټول او يا یو برخو تر منځ د اړیکو موجود دي، او د ماډل روزنې یوازې په مستقیمه توګه تړاو شوي سایټونو ترمنځ شریک کیږي. , ، په داسې حال کې چې د مرکزي FL جمع کولو یو مثال په اګوریتم 1 کې دی. یاد وکړئ چې د جمع کولو ستراتیژۍ ته اړتیا نلري د بشپړ ماډل تازه کولو په اړه معلومات ته اړتیا نلري؛ مشتریانو ممکن د ماډل پارامترونو یوازې یو زیربنا څخه شریک کړي ترڅو د اړیکو په پرتله کمولو لپاره، د ډاټا ډاټا ښه ساتنې تضمین کړي. یا د ډیرو ورکشاپ زده کړې algorithms توليدوي چې یوازې د دوی پارامترونو يو برخه په فدرالي ډول زده کړې. 1 9 12 2 15 56 10 د یوځای چارجر چې د مختلفو روزنې سیسټمونو وړاندیز کوي، کولی شي د کمپیوټر سرچینې (د معلوماتو او سرورونو) څخه د سیسټم څخه تخصیص کړي. , as depicted in Fig. پدې وروستيو کې د مختلفو شریکانو په اړه د يو ماډل د لارښوونې مشخصوي، چې په ځانګړي ډاټا سیټونو کې روزل شوي او ارزیابی شوي. د کمپيوټر پلان 2 د ستونزو او نظرونه د FL ګټې له الرې، دا د ټولو ستونزو حل نه کوي چې د طبي ډاټا په اړه د زده کړې سره تړاو لري. د بریالیتوب سره د ماډل روزنې د ډاټا کيفيت، بیلابیلو او معیاري کولو لکه عوامل پورې اړه لري. . 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 د معلوماتو heterogeneity د طبي معلوماتو په ځانګړې توګه مختلف دي - نه یوازې د مختلفو حالتونو، dimensionality او ځانګړتیاوو په عمومي توګه له امله، خو حتی د يو ځانګړي پروتوکول په واسطه د عوامل لکه د ترلاسه کولو اختلافات، د طبي وسایلو د نښې یا محلي د نمونې. FL کولی شي د معلوماتو سرچینو د احتمالي پراختیا له لارې ځینې سرچینو د حل کې مرسته وکړي، مګر د معلوماتو د مختلفو توزیع د FL algorithms او ستراتیژۍ ته چمتو کوي، لکه څنګه چې ډیری په خپلواکه توګه او په ورته ډول توزیع شوي (IID) معلوماتو په ګډون کوونکو کې فرض کوي. په عمومي توګه، ستراتیژۍ لکه په دې شرایطو کې ناکام دي , , ، په برخه کې د همکارۍ د زده کړې ستراتیژۍ په سمه هدف کې شکست دی. په هرصورت، د وروستیو پایلو ښودلوي چې د FL روزنې هنوز ممکن دی. ، که څه هم د طبي معلوماتو په مختلفو ادارو کې برابر نه دی , یا د محلي بیس شامل دي . د دې ستونزو حل څیړنې شامل دي، د مثال په توګه، ، د partial data-sharing ستراتیژۍ او د Domain-Adaptation سره FL بل ستونزه دا ده چې د ډاټا heterogeneity کولای شي په یوه حالت ته ورسيږي چې په ټولیزه غوره حل ممکن د انفرادي محلي شرکتونکي لپاره غوره نه وي. د ماډل روزنې غوره کولو تعریف باید له دې امله د روزنې مخکې د ټولو شرکتونو لخوا موافق شي. د نندارتون 9 9 57 58 59 16 17 51 د فورمه 57 58 18 د خصوصيت او امنیت د روغتيايي ډاټا ډیر حساس دی او باید د مناسب رامینځته کولو پروګرامونو سره ساتل شي. له دې امله، د مهمې نظرونو څخه ځینې دي د FL د رامینځته کولو پیاوړتیا په اړه د تبادلې تبادلې، ستراتیژۍ او پایلې خطرونه. Privacy vs. performance: دا مهمه ده چې د FL ټول احتمالي پرائیویسی ستونزې حل نه کوي او - په عمومي توګه د ML اګوریتمونو په څیر - به تل ځینې خطرونه ولري. د FL پرائیویسی ساتنې تکنالوژۍ د ساتنې کچه وړاندې کوي چې د اوسني سوداګرۍ لپاره موجود ML موډلونو څخه زیات وي. که څه هم، د کړنو په اړه یو توازن شتون لري او دا تکنیکونه ممکن، د مثال په توګه، د پایلې موډل د دقت اغیزه کړي. . Furthermore, future techniques and/or ancillary data could be used to compromise a model previously considered to be low-risk. 12 10 د اعتماد کچه: په پراخه کچه، ګډون کوونکو کولی شي د FL همکارۍ دوه ډولونو ته ورسیږي: - د FL کانسورټونو لپاره، چې په دې کې د ټولو برخو په اعتبار کې د اعتماد وړ دي او د کاروونکي همکارۍ معاہدې لخوا تړل شوي دي، موږ کولی شو ډیری بدترین انگیزهونه، لکه د حساس معلوماتو د ګټه کولو یا د ماډل په عامه توګه فساد کولو هڅو څخه مخنیوی کړي. دا د پیچلي انتقالات اړتیا کموي، چې د معياري همکارۍ څیړنې اصولونو ته راځي. د باور —in FL systems that operate on larger scales, it might be impractical to establish an enforceable collaborative agreement. Some clients may deliberately try to degrade performance, bring the system down or extract information from other parties. Hence, security strategies will be required to mitigate these risks such as, advanced encryption of model submissions, secure authentication of all parties, traceability of actions, differential privacy, verification systems, execution integrity, model confidentiality and protections against adversarial attacks. د باور وړ د معلوماتو د رخصتۍ: د FL سيستمونه د شرکتونو تر منځ د روغتیايي ډاټا د تبادلې څخه مخنیوی کوي. په هرصورت، د تبادلې معلوماتو کولی شي په غیر مستقیم ډول د محلي روزنې لپاره کارول شوي شخصي ډاټا ته وده ورکړي، د مثال په توګه، د نمونې بدلون له لارې. د نمونوي updates، د gradients ځان یا د دشمني حملات , . FL د روحي روزنې څخه مختلف دی ځکه چې روزنې پروسه د ډیری برخو ته وده ورکوي، په دې توګه د انډول انجنيرۍ له لارې لګولو خطر زیاتوي که مخالفین کولی شي د موډل بدلونونو په وخت کې وګورئ، د ځانګړي موډل تازه کولو (یا د یو واحد ادارو تازه کولو) وګورئ، یا د موډل بدلون کړي (د مثال په توګه، د ګراډینټ-سچینټ سټیل حملاتو له لارې د نورو لخوا اضافي یادولو ته وده ورکړي). د کنټرولونه پراختیا، لکه د روزنې د granularity محدود کول او ګرځنده اضافه کول , او د مناسب مختلفو پراخوالی تضمین کول , may be needed and is still an active area of research . 60 61 62 63 16 18 44 12 Traceability and accountability لکه څنګه چې د ټولو د خوندیتوب لپاره مهم غوښتنلیکونه په توګه، د سیستم د تکرار وړتیا په روغتیا کې د FL لپاره مهم دی. په پرتله د مرکزي روزنې سره، د FL په چاپیریالونو کې چې د هارډویر، سافټویر او شبکې په اړه ډیری توپیر لري، د ډیرو برخو کمپیوټرونو ته اړتیا لري. د ټول سیسټم اټکلونو په شمول د ډاټا د لاسرسی تاریخ، روزنې ترتیبونه او hyperparameter ټینګ په ټولو روزنې پروسهونو کې اړتیا لري. په ځانګړي توګه په غیر اعتماد وړ فدراليونو کې، د ریکارډ وړتیا او حسابولو پروسهونو ته اړتيا لري. کله چې روزنې پروسه د دوامداره ماډل غوره کولو معیارونو ته ورسیږي، دا هم ممکن د هر شرکت . One implication of FL is that researchers are not able to investigate data upon which models are being trained to make sense of unexpected results. Moreover, taking statistical measurements of their training data as part of the model development workflow will need to be approved by the collaborating parties as not violating privacy. Although each site will have access to its own raw data, federations may decide to provide some sort of secure intra-node viewing facility to cater for this need or may provide some other way to increase explainability and interpretability of the global model. 64 د سیستم آرشیفیت په پرتله د مصرفي وسایلو لکه McMahan et al. په پراخه کچه FL چلول. ، د روغتيايي ادارو ګډون کوونکو سره نسبتا قوي کمپیوټري سرچینې او د اعتماد وړ، لوړ پیاوړتیا شبکې وساتئ چې د لوی ماډلونو روزنې سره ډیری ډیر محلي روزنې ګامونه، او تر منځ د نانونو تر څو د ماډل معلوماتو شریک کولو ته اجازه ورکوي. د روغتيايي روغتياوي په دې ځانګړتیاوې هم د ډاټا تابعیت د ډاټا ډاټا ډاټا ډاټا په کارولو سره د ریډنټ نانونو په کارولو کې، د ډاټا پیاوړنې مخنیوی لپاره خوندي encryption طریقې ډیزاین، یا د ډاټا پیاوړنې ډیزاین لپاره مناسب نان چمتوونکي د توزیع شوي کمپیوټري وسایلو 9 د دې فدرالي مدیریت کولی شي په مختلفو طریقو کې ترسره شي. په شرایطو کې چې د برخو ترمنځ ترټولو سخت ډاټا پراختیا ته اړتیا لري، روزنې کولی شي د یو ډول "انصاف بروکر" سیسټم له لارې کار وکړي، په کوم کې د اعتماد وړ ټریډینټ د منځني کار کوي او د ډاټا ته لاس رسی کولو وړاندیز کوي. دا تنظیم د ټول سیسټم د کنترول وړ مستقل entity ته اړتیا لري، کوم چې ممکن تل اړتیا نلري، ځکه چې دا اضافي لګښتونه او پروګرامونه ته اړتيا لري. په هرصورت، دا ګټور دی چې د دقیق داخلي میکانیزمونه کولی شي د مشتریانو څخه مخنیوی شي، د سیسټم لپاره د ګټور او ساده تر ژر ورکول. په یو د پایلو ML، او په ځانګړې توګه DL، د ډیجیټل روغتیا په سيمه کې د نوښتونو په پراخه کچه رامینځته کړې. لکه څنګه چې ټول ML روشونه د معلوماتو ته لاس رسی کولو وړتیا څخه ډیر ګټور دي چې د حقیقي نړیوال توزیع په پرتله وي، FL د قوي، دقیق، خوندي، قوي او بیلابیلو ماډلونه ترلاسه کولو لپاره یو پیاوړتیا لارښود دی. د ډیجیټل برخو لپاره د ډیجیټل برخو لپاره د ډیجیټل ډاټا تبادله کولو یا مرکزي کولو اړتیا نلري، FL د حساس طبي معلوماتو د پراختیا سره تړاو لري. په پایله کې، دا کولی شي نوي څیړنې او سوداګرۍ لارښوونې ونیسئ او په نړۍ کې د ناروغانو د مراقبت په هرصورت، موږ صادقانه باور لرو چې د دقت درملنې او په پایله کې د درملنې د ښه کولو په اړه د دې احتمالي اغیزه ډیر شتون لري. 12 خلاصې گزارشونه د څیړنې ډیزاین په اړه نور معلومات په linked to this article. د طبیعت څیړنې راپور خلاص 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 تصدیق دا کار د UK Research and Innovation London Medical Imaging & Artificial Intelligence Centre for Value-Based Healthcare، د Wellcome / EPSRC Centre for Medical Engineering (WT203148/Z/16/Z)، د Wellcome Flag Programme (WT213038/Z/18/Z)، د National Institutes of Health (NIH) Clinical Center Intramural Research Programme، د NIH National Cancer Institute (DAAD) د U01CA242871, د NIH National Institute of Neurological Disorders and Stroke (BMBF) د NIH National Institute of Neurological Disorders and Stroke (WT213038/Z/18/Z)، او همدارنګه د Helmholtz Initiative and Networking Fund (Project "Trustworthy Federated Data Analytics") او د جرمني Academic Exchange Service (DAAD دا کاغذ په طبیعت کې د CC by 4.0 Deed (Attribution 4.0 International) لائسنس لاندې شتون لري. دا کاغذ د د CC by 4.0 Deed (Attribution 4.0 نړیوال) لائسنس لاندې. available on nature
