ලේඛකයෝ : 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 ලේඛකයෝ : නයිකල් රික් ජෝනි හන්කොක් වොන්ජි ලී ෆුස්ටෝ මිලිටරි Holger R. රෝස් Shadi Albarqouni ප් රදර්ශනය Spyridon බකස් Mathieu N. Galtier ගැන Bennett A. ලෑන්ඩ්මන් ක්ලූස් Maier-Hein සබස්තාන් Ourselin මයික් ෂෙලර් රොනල්ඩ් M. සම්ර්ස් ඇන්ඩ්රොක් ට්රැක් ඩෙංගු Xu මැක්සිමීනි Baust ජෝර්ජ් කාඩ්සෝ abstract පිලිබඳ දත්ත පදනම් වූ යන්ත්ර ඉගෙනීම (ML) වෛද්ය දත්ත වලින් නිශ්චිත සහ ශක්තිමත් තාරකාලික ආකෘති ගොඩනැගීම සඳහා ප් රාර්ථනාකාරී ප්රවේශයක් ලෙස වර්ධනය වී ඇති අතර, එය මෘදුකාංග පද්ධති විසින් විශාල ප්රමාණයකින් එකතු කරනු ලැබේ. දැනට පවතින වෛද්ය දත්ත ප්රධාන වශයෙන් මෘදුකාංගය විසින් සම්පූර්ණයෙන්ම පාවිච්චි නොකරයි, මොකද එය දත්ත සිලෝස් තුළ පිහිටා ඇති අතර පෞද්ගලිකත්ව ප්රශ්න මෙම දත්ත වලට ප්රවේශය සීමා කරයි. කෙසේ වෙතත්, ප්රමාණවත් දත්ත වලට ප්රවේශයක් නොමැතිව, මෘදුකාංගය එහි සම්පූර්ණ ප්රතිඵලයට ළඟා වීමට හා අවසානයේදී වෛද්ය පර්යේෂණයෙන් ක්රියා ඇතුළත් කිරීම ඉස්මතු ඉංජිනේරු (AI) පිළිබඳ පර්යේෂණ, විශේෂයෙන් යන්ත්ර ඉගෙනීම (ML) සහ ගැඹුරු ඉගෙනීම (DL) පිළිබඳ දියුණුව වර්තමාන DL models feature millions of parameters that need to be learned from sufficiently large curated data sets in order to clinical-grade accuracy, while being safe, fair, equitable and generalizing well to unseen data , , , . 1 2 3 4 5 උදාහරණයක් ලෙස, AI මත පදනම් වූ ආසාදන පරීක්ෂක පුහුණු කිරීම සඳහා, හැකි ඇනොටෝමි, රෝග, සහ ඇතුලත් දත්ත වර්ගයේ සම්පූර්ණ ප්රමාණයක් ඇතුළත් කරන විශාල දත්ත දත්ත දත්ත අවශ්ය වේ. දත්ත විශ්ලේෂණය මෙම සීමාවන් වටහා ගත හැකි වුවත්, රෝගියාගේ නම හෝ උපන් දිනය වැනි මෙටා දත්ත ඉවත් කිරීම බොහෝ විට පෞද්ගලිකත්වය ආරක්ෂා කිරීම සඳහා ප්රමාණවත් නොවන බව දැන් හොඳින් තේරුම් ගත හැකිය. උදාහරණයක් ලෙස, පරිගණක tomography (CT) හෝ Magnetic Resonance Imaging (MRI) දත්ත වලින් රෝගියාගේ මුහුණේ ප් රතිසංස්කරණය කළ හැකිය. දත්ත බෙදාහැරීම සෞඛ්ය ප්රතිකාර තුළ පද්ධතිගත නොවන තවත් හේතුවක් වන්නේ, උසස් තත්ත්වයේ දත්ත සමුදාය එකතු කිරීම, සංරක්ෂණය කිරීම සහ සංරක්ෂණය කිරීම සඳහා ප්රමාණවත් කාලයක්, උත්සාහයක්, හා වියදමක් අවශ්ය වන බවයි. 6 7 8 පාඨමාලාව Federated Learning (FL) , , දත්ත කළමනාකරණය හා පෞද්ගලිකත්වය පිළිබඳ ගැටලුව විසඳීමට උත්සාහ කරන අධ්යාපන උදාහරණයක් වන අතර, දත්ත තනිව මාරු කිරීමකින් තොරව වැඩසටහන් පුහුණු කිරීමෙන් දත්ත පරිපාලනය හා පෞද්ගලිකත්වය පිළිබඳ ගැටලුව විසඳීමට උත්සාහ කරයි. , එය මෑතකදී සෞඛ්ය සේවා යෙදුම් සඳහා ආකර්ෂණය ලබා , , , , , , , FL මගින් සහාය ලබා ගැනීමට හැකි වේ, උදාහරණයක් ලෙස, එකමුතු ආකෘතිය ලෙස, රෝගියා දත්ත ඔවුන් ජීවත් වන ආයතනවල firewalls පිටතට මාරු නොකර. වෙනුවට, ML ක්රියාවලිය සෑම සහභාගී ආයතනයේදී දේශීයව සිදු වන අතර පමණක් ආකෘති විශේෂාංග (උදා, ප්රමාණයන්, gradients) පින්තූරයේ දැක්වෙන පරිදි මාරු වේ. මෑත පර්යේෂණවලින් පෙන්වන්නේ FL විසින් පුහුණු කරන ලද ආකෘති මධ් යම වශයෙන් hosted data sets මත පුහුණු කරන ලද ආකෘති වලට සමාන කාර්ය සාධන මට්ටමකට සහ තනි ආයතනික දත්ත පමණක් දකින ආකෘති වලට වඩා උසස් බවය. , . 9 10 11 12 13 14 15 16 17 18 19 20 1 16 17 FL සංශෝධනය සේවාදායකය – පුහුණු කොන්දේසි ෆෙඩරැක්සියක් ගෝලීය ආකෘතිය ලබා ගැනීම, සංශෝධනය කිරීම සඳහා මධ්යස්ථාන සේවාදායකයට ඔවුන්ගේ කොටසක් පුහුණු ආකෘති නැවත ඉදිරිපත් කිරීම සහ ඉන්පසු සේවාදායකයා ආපසු එවන එකඟතා ආකෘතිය මත පුහුණු කිරීම දිගටම කිරීමයි. FL peer to peer – FL හි විකල්පය වන අතර සෑම පුහුණු කොන්ඩ් එකකම සමහරක් හෝ සිය සියලුම කොන්දේසි සමඟ එහි කොටසක් පුහුණු ආකෘති හුවමාරු කරයි. Centralised training—the general non-FL training workflow in which data acquiring sites donate their data to a central Data Lake from which they and others are able to extract data for local, independent training. a b c FL සාර්ථකව ක්රියාත්මක කිරීම නිසා විශාල ප්රමාණයේ නිශ්චිත ඖෂධ ක්රියාත්මක කිරීම සඳහා ප්රමාණවත් ප්රතිඵලයක් ඇති විය හැකි අතර, එය ස්ථාවර තීරණ ලබා දීම, පුද්ගලයාගේ භෞතිකභාවය හොඳින් ප්රදර්ශනය වන අතර, දුර්ලභ රෝගවලට සංවේදී වන අතර, ආණ්ඩු සහ පෞද්ගලිකත්ව ප්රශ්න ගෞරවයට ගරු කිරීම.එහෙත්, FL තවමත් පරිගණකයේ ආරක්ෂාව හෝ රෝගියාගේ පෞද්ගලිකත්වය අවදානමකින් තොරව හොඳින් ක්රියාත්මක වන බව සහතික කිරීම සඳහා දැඩි තාක්ෂණික සැලකිල්ලක් අවශ්ය වේ. අපි ඩිජිටල් සෞඛ්ය සඳහා ෆෙඩරෙඩර් අනාගතයක් දකින අතර, මෙම ප්රවේශය පත්රය සමඟ, අපි ඩිජිටල් සෞඛ්ය සඳහා FL හි ප්රතිලාභ සහ බලපෑම ගැන සමාජයට සංකේත සහ විස්තර ලබා දීම සඳහා අපගේ එකඟතාවය බෙදා ගනිමු (විශේෂය "Data-driven medicine requires federated efforts"), මෙන්ම ඩිජිටල් සෞඛ්ය සඳහා FL ක්රියාත්මක කිරීමේ ප්රධාන අදහස් සහ අභියෝගයන් (විශේෂය "Technical considerations"). Data-Driven Medicine සඳහා ෆෙඩරල් කාර්යයන් අවශ්ය වේ ML සහ විශේෂයෙන් DL බොහෝ කර්මාන්තවල de facto දැනුම සොයා ගැනීමේ ප්රවේශය බවට පත් වී ඇත, නමුත් දත්ත පදනම්ව යෙදුම් සාර්ථකව ක්රියාත්මක කිරීම විශාල හා විවිධ දත්ත සබඳතා අවශ්ය වේ. කෙසේ වෙතත්, වෛද්ය දත්ත සබඳතා ලබා ගැනීමට අමාරු වේ (අධිකාරය “Data Dependency”). FL දත්ත මධ්යස්ථානය කිරීම තොරව සබඳතා අධ්යාපනය කිරීමට ඉඩ සලසමින් මෙම ප්රශ්නය විසඳා ඇත (අධිකාරය “The promise of federated efforts”) සහ දැනටමත් ඩිජිටල් සෞඛ්ය යෙදුම් (අධිකාරය “Current FL efforts for digital health”). දත්ත මත විශ්වාසය දත්ත මත පදනම් වූ ප්රවේශයන් සැබවින්ම ප්රශ්නයේ මූලික දත්ත බෙදාහැරීම ප්රදර්ශනය වන දත්ත මත රඳා පවතී. මෙම ප්රශ්නය ප්රසිද්ධ අවශ්යතාවයක් වන අතර, ප්රතිඵලදායී ආකෘති සාමාන්යයෙන් අවධානය යොමු කරන ලද දත්ත සබඳතා මත විනිශ්චය කරනු ලැබේ, බොහෝ විට පමණක් කිහිපයක් මූලාශ්ර වලින් මූලාශ්ර. මෙය ජනගහනය (උදා, ලිංගිකත්වය, වයස) හෝ තාක්ෂණික අසාමාන්යතාවයන් (උදා, මිලදී ගැනීමේ ප්රොටෝල්, උපාංග නිෂ්පාදකයා) අනාවැකි හා සංකේතයන් හෝ ස්ථාන සඳහා නිශ්චිතව නිවැරදිතාවය බලපෑම්. කෙසේ වෙතත්, රෝග AI පුහුණු කිරීම සඳහා විශාල දත්ත ගබඩා සඳහා අවශ්යතාවය බොහෝ ආයතන වලින් දත්ත එකතු කිරීමට උත්සාහ කරන ප්රවේශයන් සකස් කර ඇත.මේ දත්ත බොහෝ විට දත්ත ගබඩා ලෙස හැඳින්වනු ලැබේ.මේ දත්ත ගබඩා කිරීම IBM හි Merge Healthcare ගබඩා කිරීම වැනි දත්තවල වෘත්තීය වටිනාකම ප්රයෝජනය කිරීම සඳහා නිර්මාණය කර ඇත. , හෝ ආර්ථික වර්ධනය හා විද්යාත්මක දියුණුව සඳහා සම්පත් ලෙස, උදාහරණයක් ලෙස, NHS ස්කොට්ලන්තයේ ජාතික ආරක්ෂිත ගමනාන්තය ප් රංශ සෞඛ්ය දත්ත Hub සෞඛ් ය දත්ත පර්යේෂණ UK . 21 22 23 24 ප්රමාණවත්, නමුත් කුඩා, අරමුණු ඇතුළත් Human Connectome එක්සත් රාජධානියේ Biobank පිළිකාව Imaging Archive (TCIA) NIH CXR8 නුඹේ ගැඹුර Cancer Genome Atlas (TCGA) Alzheimer’s Disease Neuroimaging Initiative (ADNI) ප් රධාන වෛද් ය අභියෝග Camelyon අභියෝගය ජාත් යන්තර multimodal Brain Tumor Segmentation (BraTS) අභියෝගය , , Medical Segmentation Decathlon පිළිබඳ තොරතුරු පොදු වෛද්ය දත්ත සාමාන්යයෙන් කාර්යය හෝ රෝග විශේෂිත වන අතර බොහෝ විට විවිධ මට්ටම් බලපත්ර සීමා සහිතව නිදහස් වේ, සමහර විට එහි පාවිච්චි සීමා කරයි. 25 26 27 28 29 30 31 32 33 34 35 36 37 කෙසේ වෙතත්, දත්ත මධ්යස්ථානය කිරීම හෝ නිදහස් කිරීම, පෞද්ගලිකත්වය හා දත්ත ආරක්ෂාව සම්බන්ධ නීතිමය, මානසික හා නීත්යානුකූල අභියෝග පමණක් නොව, තාක්ෂණික ප්රශ්න පවා ඇති කරයි. විශ්ලේෂණය කිරීම, ප්රවේශය පාලනය කිරීම සහ සෞඛ්ය දත්ත ආරක්ෂිතව ප්රවාහනය කිරීම නොමිලේ නොවන, සමහර විට නොහැකි කාර්යයක් වේ. එසේම ජොනොමී දත්ත සහ වෛද්ය පින්තූර සඳහා එය ඇඟිලි පින්තූර මෙන් සුවිශේෂී කරයි. එබැවින්, ඇනොනිමනාකරණ ක්රියාවලිය දත්තයේ සැබෑත්වය විනාශ වන අතර, එය ප්රයෝජනවත් කිරීමට හැකි වන අතර, රෝගියා නැවත හඳුනා ගැනීම හෝ තොරතුරු ගලවා ගැනීම ඉවත් කළ නොහැක. අනුමැතිය ලැබූ පරිශීලකයින් සඳහා දොරටු ප්රවේශය බොහෝ විට මෙම ගැටලුවකට ඇති විසඳුමක් ලෙස යෝජනා කරනු ලැබේ. 7 38 ෆෙඩරල් කාර්යයන් පිළිබඳ පොරොන්දුව FL ගේ පොරොන්දුව සරලයි – පෞද්ගලිකත්වය හා දත්ත කළමනාකරණ අභියෝගවලට විසඳුමක් ලබා දීමයි. FL සැකසීමකදී, සෑම දත්ත කළමනාකරණ ක්රියාවලිය සහ අදාළ පෞද්ගලිකත්ව ප්රතිපත්තිය සකස් කිරීම පමණක් නොව, දත්ත ප්රවේශය පාලනය කිරීම සහ එය අවලංගු කිරීමට හැකියාව ඇත. මෙම ක්රියාවලිය ඇතුළත් කරන්නේ පුහුණු හා විනිවිදමනාකරණ ක්රියාවලියයි. මෙම ක්රියාවලියෙන්, FL නව අවස්ථා නිර්මාණය කළ හැකිය, උදාහරණයක් ලෙස, විශාල ප්රමාණයේ, ආයතනිකව විනිවිදමනාකරණය කිරීමට ඉඩ ලබා දීම හෝ අමුද්රව්ය රෝග පිළිබඳ නව පර්යේෂණ ලබා දීමයි, නමුත් දත්ත ප්රවේශය අඩු වන පින්තූරයේ දැක්වෙන පරිදි , FL රැකියාව ක්රියාවලිය විවිධ ටොපෝගෝලි සහ පරිගණක සැලසුම් සමඟ සැබෑ කර ගත හැක. සෞඛ්ය සේවා යෙදුම් සඳහා වඩාත් පොදු දෙකක් එකතු කිරීම සේවාදායකය හරහා වේ , , Peer to Peer ප් රවේශය , සෑම අවස්ථාවකදීම, FL අනුමතව යම් මට්ටමක පෞද්ගලිකත්වයක් ලබා දෙයි, එබැවින් FL සහභාගීන්ට කිසිවිටෙකත් වෙනත් ආයතනවල දත්ත වෙත සෘජුවම ප්රවේශය නොලැබෙන අතර, විවිධ සහභාගීන්ට සමන්විත වන ආකෘති ප්රමාණයන් පමණක් ලැබෙනු ඇත. , , , එබැවින්, පෞද්ගලිකත්වයේ වෙනස්කම් වැනි ක් රියාකාරකම් , සංකීර්ණ දත්තෙන් ඉගෙන ගැනීම FL පරිසරය තුළ පෞද්ගලිකත්වය තවදුරටත් වැඩි දියුණු කිරීම සඳහා යෝජනා කර ඇත (එනම් " තාක්ෂණික අදහස්"). සහ FL තාක්ෂණයන් සංවර්ධනය වන පර්යේෂණ ක්ෂේත්රයකි , . 2 16 17 18 15 39 40 41 42 43 44 45 46 12 20 FL Topologies - ෆෙඩරසයේ සන්නිවේදන ආකෘතිය. මධ්යස්ථානය: සංඛ්යාත සේවාදායකය පුහුණු ප්රතිඵල අනුකූල කරයි සහ පුහුණු නෝඩ්ස් (Hub & Spoke) වෙත සහ සිට ආකෘති රැස් කරයි, සංඛ්යාත කරයි සහ බෙදා ගනී. Decentralized: සෑම පුහුණු කොන්ඩ් එකකටම එක හෝ තවත් සමාගම් වලට සම්බන්ධ වන අතර සෑම කොන්ඩ් එකකටම සමන්විතව එකතු කිරීම සිදු වේ. ප් රචණ්ඩත්වය සිදුවේ, නමුත් අපි පාපයට එරෙහිව ශුද්ධ විනිශ්චය සහ අපි පුද්ගලිකව අකමැති අයට එරෙහි වන පුරපැම අතර වෙනස අප හඳුනාගත යුතුය, එය උඩඟුකමේ අනිවාර්ය ප් රතිපලයයි ( FL පරිගණක සැලැස්ම — කීපයක්ම සහයෝගයෙන් එක් ආකෘතියේ මාර්ගය. සංකීර්ණ පුහුණුව / Cyclic Transfer Learning සේවා සැපයුම්කරුවන්, Peer ට Peer a b c d e f g ඩිජිටල් සෞඛ්ය සඳහා වර්තමාන FL ක්රියාකාරකම් FL යනු AI ආකෘති සංවර්ධනය සඳහා දත්ත එකතු කිරීමේ අවශ් යතාවය අවලංගු කරන සාමාන්ය ඉගෙනුම් උදාහරණයක් වන අතර, FL හි යෙදුම් ප්රමාණය සෞඛ්ය සේවා සඳහා AI සම්පූර්ණයෙන් සීමා වේ. උදාහරණයක් ලෙස, ඉලෙක්ට්රොනික සෞඛ් ය වාර්තා (EHR) සම්බන්ධතාවය තුළ, FL ක්රියාත්මකව සමාන රෝගීන් ඉදිරිපත් කිරීමට සහ සොයා ගැනීමට උපකාරී වේ. , , මෙන්ම හෘද සිදුවීම් නිසා රෝහල්ගත කිරීම් අනාවැකි කිරීම , මරණය සහ ICU නිවාඩු කාලය FL හි ප්රයෝජනවත්ත්වය සහ වාසි වෛද්ය රූපවාහිනී ක්ෂේත්රයේ, MRI හි මුළු මොළ segmentation සඳහාත් පෙන්වා දී ඇත. මොළයේ පිළිකා segmentation , මෑතකදී මෙම තාක්ෂණය fMRI සංඛ්යාතය සඳහා භාවිතා කර ඇති අතර, ඖෂධ සම්බන්ධ ඖෂධ ඖෂධ ඖෂධ ඖෂධ ඖෂධ ඖෂධ ඖෂධ COVID-19 සම්බන්ධතාවය තුළ ප් රාර්ථනාකාරී ප්රවේශයක් ලෙස යෝජනා කර ඇත . 13 47 14 19 15 16 17 18 48 FL ක් රියාකාරකම් භාවිතා කරන ප්රමාණය, ඉලක්කය සහ තාක්ෂණය සකස් කිරීම සඳහා ගිවිසුමක් අවශ්ය වන අතර, එය තවමත් නවයක් වන අතර, මෙම ගිවිසුමේ දී, අද වන විශාල ප්රවේශයන් සැබවින්ම සෞඛ්ය සේවා යෙදුම්වල ආරක්ෂිත, සාධාරණ හා නවකතාවක සහයෝගය සඳහා අනාගත ප්රමිතීන් සඳහා ප්රමුඛයන් වේ. මේවා ඇතුළත් කරන්නේ ඉදිරියට යාමට සැලසුම් කරන කොන්සෝරිස් ය. Trustworthy Federated Data Analytics (TFDA) ව් යාපෘතිය ජර්මානු පිළිකාව කොන්සෝරිස්ටෝරයේ සන්නිවේදන පද්ධතිය ජර්මානු වෛද්ය ආකෘති පර්යේෂණ ආයතනවලදී decentralized පර්යේෂණ කළ හැකිය.Another example is an international research collaboration that uses FL for the development of AI models for the assessment of mammograms. මෙම අධ්යයනය පෙන්වා දුන්නේ FL-ප්රදාන ආකෘති එක් විශ්ව විද්යාලයේ දත්ත මත පුහුණු කරන අය වඩාත් ප්රමාණවත් වන අතර, ඔවුන් තවමත් වෙනත් විශ්ව විද්යාලයේ දත්ත මත හොඳින් ක්රියාත්මක බව. ඇකඩමියා 49 50 51 පර්යේෂණ මධ්යස්ථානවලට සීමා නොවන සෞඛ් ය ආයතන සම්බන්ධ කිරීමෙන්, FL සෘජුවම ලබා ගත හැකිය HealthChain වැඩසටහන - HealthChain වැඩසටහන උදාහරණයක් ලෙස, මෙම විසඳුම ප්රංශයේ හතරේ රෝහල්වල FL ක්ෂේත්රයක් සංවර්ධනය කිරීම හා ස්ථාපනය කිරීම සඳහා අරමුණු කරයි. මෙම විසඳුම ප්රතිකාර ප්රතිකාර ප්රතිකාර ප්රතිඵල සහ මැලෙනෝම රෝගීන් සඳහා අනාවරණය කළ හැකි පොදු ආකෘති නිර්මාණය කරයි. එය oncologists සෑම රෝගියා සඳහා වඩාත් ඵලදායී ප්රතිකාර තීරණය කිරීමට උපකාරී වේ ඔවුන්ගේ histology slides හෝ dermoscopy පින්තූර. , 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. ක්ලිනික 52 53 අනෙකුත් බලපෑම ඇතුළත පර්යේෂණ හා පරිවර්තනය.FL සමාගම් සඳහා සහයෝගික පර්යේෂණ කළ හැකිය, පවා තරඟකාරී සමාගම්. මෙම ව්යාපෘතිය 10 ඖෂධ සමාගම්වල දත්ත සමුදායන් තුළ multi-task FL ක්රියාත්මක කිරීම සඳහා සැලසුම් කරන ලදී.අධිකයන් ඔවුන්ගේ වටිනා අභ්යන්තර දත්ත හෙළිදරව් කිරීමකින් තොරව ඖෂධ සොයාගැනීමේ ක්රියාවලිය පරිපූර්ණ කිරීමට සැලසුම් කරති. කර්මාන්ත 54 stakeholders හි බලපෑම FL මධ්යම දත්ත ගංවතුර සිට පාඩම් වෙනසක් ඇතුළත් වන අතර, FL පරිසරය තුළ විවිධ ආයෝජකයින් මත එහි බලපෑම තේරුම් ගැනීම වැදගත් වේ. වෛද් යවරු Clinicians are usually exposed to a sub-group of the population based on their location and demographic environment, which may cause biased assumptions about the probability of certain diseases or their interconnection. By using ML-based systems, e.g., as a second reader, they can augment their own expertise with expert knowledge from other institutions, ensuring a consistency of diagnosis not attainable today. While this applies to ML-based system in general, systems trained in a federated fashion are potentially able to yield even less biased decisions and higher sensitivity to rare cases as they were likely exposed to a more complete data distribution. However, this demands some up-front effort such as compliance with agreements, e.g., regarding the data structure, annotation and report protocol, which is necessary to ensure that the information is presented to collaborators in a commonly understood format. රෝගීන් රෝගීන් සාමාන්යයෙන් දේශීය වශයෙන් ප්රතිකාර කරනු ලැබේ. ගෝලීය ප්රමාණයේ දී FL ස්ථාපනය කිරීම ප්රතිකාර ස්ථානයෙන් තොරව උසස් තත්ත්වයේ ප්රතිකාර තීරණ සපයයි. විශේෂයෙන්, දුරස්ථ ප්රදේශවල වෛද්ය ප්රතිකාර අවශ්ය වන රෝගීන් බොහෝ අවස්ථාවන් සහිත රෝහල්වල ලබා ගත හැකි එකම උසස් තත්ත්වයේ ML උපකාරිත ප්රතිකාර ප්රතිලාභ ලබා ගත හැකිය. දුර්ලභ, හෝ භූගෝලීය වශයෙන් අසාමාන්ය, රෝග සඳහා එසේම, වේගවත් හා වඩා නිවැරදි ප්රතිකාර සිදු කළ හැකි නම් වඩාත් පහසු ප්රතිඵල ඇති විය හැකිය. රෝහල් සහ ක් රියාකාරකම් රෝහල් සහ ක්රියාකාරකම්, දත්ත ප්රවේශය සම්පූර්ණ අනුකූලතාවයකින් ඔවුන්ගේ රෝගියා දත්ත සම්පූර්ණ පාලනය හා අයිතිය තුළ තබා ගත හැකි අතර, තුන්වන පාර්ශවයන් විසින් නුසුදුසු භාවිතයක් ඇති අවදානම සීමා කරනු ඇත. කෙසේ වෙතත්, මෙය ස්ථාපිත පරිගණක උපාංගය හෝ පෞද්ගලික වලාකුළු සේවා සැපයීම සහ සම්මත හා සින්පික දත්ත ආකෘති අනුකූලතාවය සඳහා ආයෝජන අවශ්ය වනු ඇත, එබැවින් ML ආකෘති පුහුණු හා අගය කළ හැකි. අවශ්ය පරිගණක හැකියාව ප්රමාණය, ඇත්ත වශයෙන්ම, වෙබ් අඩවිය විනිශ්චය හා පරීක්ෂණ උත්සාහය හෝ පුහුණු උත්සාහය තුළ පමණක් සහභාගී වේ. පර්යේෂකයන් සහ AI සංවර්ධකයින් පර්යේෂකයන් සහ AI සංවර්ධකයින් සැබෑ ලෝකයේ දත්ත විශාල සංඛ්යාවක් වෙත ප්රවේශ වීමෙන් ප්රතිලාභ ලැබෙනු ඇත, එය කුඩා පර්යේෂණ ලේබල් සහ නව ව්යාපාරවල අනිවාර්යයෙන්ම බලපෑමක් වනු ඇත.මේ අනුව, ප්රතිලාභ ක්රියාකාරී අවශ්යතා හා සම්බන්ධ තාක්ෂණික ගැටළු විසඳීමට යොමු කළ හැකි අතර, විවෘත දත්ත රැස්වීම් වල සීමිත සැපයුම මත රඳා පවතී.එසේම, ෆෙඩරයිට් පුහුණු සඳහා ඇල්ගෝරිමික උපාය මාර්ග පිළිබඳ පර්යේෂණ සිදු කිරීමට අවශ්ය වනු ඇත, උදාහරණයක් ලෙස, ආකෘති හෝ යාවත්කාලීන කිරීම ක්රියාකාරීව සබඳවා ගන්නේ කෙසේද, බෙදාහැ , , FL මත පදනම්ව සංවර්ධනය කිරීම ද පර්යේෂකයෙකු හෝ AI සංවර්ධකයා විසින් අධ්යයනය කිරීම හෝ ආකෘතිය පුහුණු කරන ලද සියලු දත්ත දර්ශනගත කළ නොහැක, උදාහරණයක් ලෙස, පර්යේෂකයෙකු හෝ AI සංවර්ධකයාට පර්යේෂණය කිරීම හෝ වර්තමාන ආකෘතිය මත දුර්වල ක්රියාකාරීත්වය ඇති බව තේරුම් ගැනීම සඳහා පෞද්ගලික අසාර්ථකතා ප්රවණතා බැලීමට නොහැකි ය. 11 12 20 සෞඛ් ය සැපයුම්කරු බොහෝ රටවල සෞඛ්ය සේවා සැපයුම්කරුවන් ප්රමාණය මත පදනම්ව, එනම්, සේවා සඳහා ගාස්තු මත පදනම්ව, වටිනාකම මත පදනම්ව සෞඛ්ය සේවා වලින් දිගුකාලීන පාඩම් මාරුවීමෙන් බලපානු ලැබේ, එය ප්රතිඵලදායී ඖෂධ සාර්ථකව ස්ථාපනය කිරීම සමඟ දැඩිව සම්බන්ධ වේ. මෙය මිල අධික පෞද්ගලික ප්රතිකාර ප්රවර්ධනය කිරීම ගැන නොවේ, නමුත් වඩාත් අවධානය යොමු ප්රතිකාර හරහා වඩාත් ඉක්මනින් හොඳ ප්රතිඵල ලබා ගැනීම ගැනයි. නිෂ්පාදකයින් සෞඛ්ය සේවා මෘදුකාංග සහ උපාංග නිෂ්පාදකයින්ට FL වලින් ප් රතිලාභ ලැබිය හැකි අතර, බොහෝ උපාංග සහ යෙදුම් වලින් ඉගෙනීම සකස් කිරීම, රෝගියා විශේෂිත තොරතුරු හෙළිදරව් කිරීමකින් තොරව, ඔවුන්ගේ ML මත පදනම් වන පද්ධති දිගුකාලීන විනිසුරු කිරීම හෝ වැඩි දියුණු කිරීම පහසු කර ගත හැකිය. තාක්ෂණික අදහස් FL සමහර විට වඩාත් ප්රසිද්ධ වන්නේ Konečnỳ et al. , නමුත් සංස්කෘතිය තුළ විවිධ වෙනත් සංකේතයන් ඉදිරිපත් කර ඇත , , , A FL workflow (පිළිතුර) ) විවිධ උපාංග සහ පරිගණක සැලසුම් හරහා සකස් කළ හැක (Fig. ), නමුත් ඉලක්කය එකම වන අතර, එනම්, non-co-located දත්ත වලින් ඉගෙනගත් දැනුම එකතු කිරීම.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 ෆෙඩරල් අධ්යාපන සංකල්පය FL යනු පර්යේෂණ උපාධිය වන අතර, දත්ත එකතු කිරීම හෝ මධ්යස්ථානය කිරීම සඳහා අවශ් යතාවයක් නොමැතිව බොහෝ පාර්ශවයන් එකතුවෙන් පුහුණු කිරීමයි. පෞද්ගලික දත්ත වලින් ගණනය කරන ලද දේශීය අහිමි කිරීම් පුද්ගලිකව සහභාගී වන පාර්ශ්වයන් තුළ ජීවත් වන අතර කිසිවිටෙකත් ඔවුන් අතර බෙදාහැර නොතිබේ: K XK කොහෙද > 0 යනු සතිපතා බර කොන්දේසිය. WK ප්රායෝගිකව, සෑම සහභාගියාම සාමාන්යයෙන් ප්රදේශීය වශයෙන් සහ යාවත්කාලීන කිරීම් බෙදාහැරීමට පෙර, සෘජුවම හෝ ප්රමාණ සේවාදායකයක් හරහා සකස් කිරීමෙන් පෘථිවි අනුමත ආකෘතිය ලබා ගනු ලැබේ. ) , ප්රමාණයන් එකතු කිරීම සඳහා සැබෑ ක්රියාවලිය ජාල උපාංගය මත රඳා පවතී, නඩත්තු භූගෝලීය හෝ නීත්යානුකූල සීමාවන් නිසා අර්ධ ජාලයට වෙන් කළ හැකි නිසා (එළිදරව් කරන්න. එක්තරා එක්තරා කොන්දේසි මත පදනම් විය හැක (හයිබර් සහ ස්පේට්ස් ආකෘති) හෝ කිසිදු මධ්යස්ථානයකින් තොරව බොහෝ කොන්දේසි මත පදනම් විය හැක.එක් උදාහරණයක් ලෙස peer-to-peer FL වන අතර, සහභාගී වූ සියලු දෙනා අතර සබඳතා ඇති වන අතර, සහ ආකෘති යාවත්කාලීන පමණක් සෘජු සම්බන්ධ වෙබ් අඩවි අතර බෙදා ගත හැක. , පරිගණකයේ සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සංඛ්යාත සං Multi-task learning algorithms නිෂ්පාදනය කිරීම, ඔවුන්ගේ ප්රමාණයන්ගෙන් කොටසක් පමණක් federated ආකාරයෙන් ඉගෙන ගනිමින්. 1 9 12 2 15 56 10 විවිධ පුහුණු පද්ධති සඳහා ඉඩ සලසන සංකේතයක් පරිගණක සම්පත් (Data and Servers) ඉවත් කළ හැකිය. පින්තූරයේ දැක්වෙන පරිදි පසුතැවිල්ලක් සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය සංකේතය පරිගණක සැලැස්ම 2 අභියෝග සහ අදහස් FL ප්රතිලාභ에도 불구하고, එය වෛද්ය දත්ත මත ඉගෙනීමේ ස්වභාවය ඇති සියලු ගැටළු විසඳන්නේ නැත.සාර්ථක ආකෘති පුහුණුව තවමත් දත්ත ගුණාත්මකභාවය, පැතිරීම සහ සම්මත කිරීම වැනි සාධක මත රඳා පවතී මෙම ප්රශ්න සකස් කළ යුතු වන්නේ ෆෙඩරෙට් සහ නොෆෙඩරෙට් අධ්යාපන උත්සාහයන් සඳහා සුදුසු පියවර මගින්, පරිස්සම් අධ්යයන සැලසුම්, දත්ත ලබා ගැනීම සඳහා පොදු ප්රොටෝලට්, සංයුක්ත වාර්තාවක් සහ පැතිරීම සහ සැඟවුණු තක්සේරු සොයා ගැනීම සඳහා සංකීර්ණ ප්රතිදාන. , , . 2 11 12 20 දත්ත heterogeneity වෛද්ය දත්ත විශේෂයෙන් වෙනස් වන අතර, සාමාන්යයෙන් ආකෘති, ප්රමාණයන් සහ විශේෂාංග සංසන්දනය නිසා පමණක් නොව, විශේෂිත ප්රොටෝලට් තුළ පවා, ආකෘති මිලදී ගැනීමේ වෙනස, වෛද්ය උපකරණයේ වෙළඳ නාමය හෝ දේශීය ජනගහනය වැනි සාධක නිසා. FL දත්ත මූලාශ්ර සංසන්දනය ප්රමාණවත් වීමෙන් යම් මූලාශ්රවලට විසඳුම් ලබා ගැනීමට උපකාරී විය හැක, නමුත් දත්ත ප්රදර්ශන සංසන්දනය ප්රතිඵලයක් ලෙස FL ආකෘති සහ උපාය මාර්ග සඳහා අභියෝගයකි, බොහෝ දෙනා සහභාගීන්ට ස්වාධීනව සහ සමානව බෙදාහැරෙන (IID) දත්ත අනුගමනය කරයි. මේ කොන්දේසි වලදී අසාර්ථක වෙන්න පුළුවන්. , , සහයෝගික ඉගෙනීමේ උපාය මාර්ගයේ ඉලක්කය පරාජය කිරීම.එහෙත්, මෑත ප්රතිඵල පෙන්වා දෙන්නේ FL පුහුණු කිරීම තවමත් ක්රියාකාරී බවය. වෛද් ය විද් යාත්මක දත්ත සම්මතව ආයතනවල බෙදාහැරෙන්නේ නැත. , හෝ දේශීය බයිස් ඇතුළත් මෙම ගැටලුව විසඳීමට පර්යේෂණ ඇතුළත්, උදාහරණයක් ලෙස, Part-data-sharing ආකෘතිය domain-adaptation සමග FL අනෙකුත් අභියෝගයක් වන්නේ දත්ත ආශ්චර්යයය තත්වයට හේතු විය හැකි අතර, ගෝලීය හොඳම විසඳුම තනි දේශීය සහභාගී සඳහා හොඳම විසඳුම නොවිය හැකි බවයි. ෆෙඩරල් 9 9 57 58 59 16 17 51 ෆෙඩොක්ස් 57 58 18 පෞද්ගලිකත්වය සහ ආරක්ෂාව සෞඛ්ය සේවා දත්ත ඉතා සංවේදී වන අතර, සුදුසු රහස්යතා ක්රියාකාරකම් අනුගමනය කිරීමෙන් ආරක්ෂා කළ යුතුය.මේ නිසා, ප්රධාන සැලකිල්ලන් කිහිපයක් වන්නේ FL හි පෞද්ගලිකත්වය ආරක්ෂා කිරීමේ හැකියාව සම්බන්ධයෙන් සීමා, උපාය මාර්ග සහ ඉතිරි අවදානම වේ. පෞද්ගලිකත්ව ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප්රතිපත්තිය ප් කෙසේ වෙතත්, ඵලදායීත්වය පිළිබඳ සීමාවක් ඇති අතර, මෙම තාක්ෂණයන්, උදාහරණයක් ලෙස, අවසාන ආකෘතියේ නිවැරදිතාවයට බලපෑම් කළ හැකිය. මීට අමතරව, අනාගත තාක්ෂණයන් සහ / හෝ උපකාරී දත්ත පෙර අඩු අවදානමක් ලෙස සැලකූ ආකෘතිය අවදානමකට පත් කිරීමට භාවිතා කළ හැකිය. 12 10 විශ්වාසය මට්ටම: පුළුල් ලෙස කතා කරන විට, සහභාගී වන පාර්ශවයන් FL සහයෝගය වර්ග දෙකකට ඇතුළත් කළ හැකිය: - සියලුම පාර්ශවයන් විශ්වාසවන්ත ලෙස සලකනු ලබන FL කොන්සෝරිස් සඳහා සහ බලවත් සහයෝගීතා ගිවිසුමකින් බැඳී ඇති අතර, අපි සංවේදී තොරතුරු ලබා ගැනීමට හෝ ආකර්ෂණීයව ආකර්ෂණීය පර්යේෂණ ප්රතිපත්තිය වෙත ආපසු පිවිසෙන පරිදි සංකීර්ණ ප්රතිපත්තිය සඳහා අවශ්යතාව අඩු කර ගත හැකිය. විශ්වාසවන්ත විශාල ප් රමාණයකින් ක්රියාත්මක වන FL පද්ධති වලදී, ක්රියාත්මක කළ හැකි සහයෝගික ගිවිසුමක් සකස් කිරීම අසාමාන්ය විය හැකිය.එක්සිකාරිකයන්ට ක්රියාකාරීත්වය අඩු කර ගැනීම, පද්ධතිය පහළ කර ගැනීම හෝ අනෙකුත් පාර්ශවයන්ගෙන් තොරතුරු ආකර්ෂණය කිරීම අවශ් ය විය හැකිය.මේ අනුව, මෙම අවදානම සීමා කිරීම සඳහා ආරක්ෂක උපාය මාර්ග අවශ් ය වනු ඇත, ආකෘති ඉදිරිපත් කිරීමේ උසස් සංකීර්ණ කිරීම, සියලු පාර්ශවයන්ගේ ආරක්ෂිත ඔප්පු කිරීම, ක්රියාකාරිත්වයේ නිරීක්ෂණය, ප්රතිපත්තීය පෞද්ගලිකත්වය, සහතික පද්ධති, ක්රියාකාරීත්වය සම්පූර්ණතාවය, ආකෘති රහස්යතාවය සහ විරුද්ධ ප් රහාර විශ්වාස නොකරන තොරතුරු මඟහැරීම: FL පද්ධති විසින් සහභාගී වන ආයතන අතර සෞඛ්ය දත්ත බෙදාහැරීම වළක්වා ගත හැකිය.නමුත්, බෙදාහැරෙන තොරතුරු තවමත් දේශීය පුහුණු සඳහා භාවිතා කරන පෞද්ගලික දත්ත අතුරුදහන් විය හැකිය, උදාහරණයක් ලෙස, ආකෘති ආවරණය මගින් ආකෘති යාවත්කාලීන කිරීම, gradients themselves විරුද්ධ ප් රහාර , FL සාමාන් ය පුහුණුවකින් වෙනස් වන්නේ පුහුණු ක්රියාවලිය බොහෝ පාර්ශවවලට විවේචනය කරන අතර, එමඟින් විරුද්ධයන් කාලය තුළ ආකෘති වෙනස්වීම් නිරීක්ෂණය කළ හැකි, විශේෂිත ආකෘති යාවත්කාලීන කිරීම් නිරීක්ෂණය කළ හැකිය (එනම්, එක් ආයතනයේ යාවත්කාලීන කිරීම) හෝ ආකෘතිය මැදිහත් කළ හැකිය (උදාහරණයක් ලෙස, පිටුපස-සංස්කරණ-සංස්කරණ ආකෘති ප් රහාරයන් හරහා අනෙකුත් අය විසින් අතිරේක මතකයට පත් කිරීම). , and ensuring adequate differential privacy , අවශ්ය විය හැකි අතර තවමත් ක්රියාකාරී පර්යේෂණ ක්ෂේත්රයක් . 60 61 62 63 16 18 44 12 නිරීක්ෂණය සහ වගකීම සියලුම ආරක්ෂාව ප්රශ්නීය යෙදුම් සඳහා මෙන්, පද්ධති ප්රදර්ශනය කිරීම සෞඛ්ය ප්රතිකාර සඳහා FL සඳහා වැදගත් වේ. මධ්යම පුහුණුව වෙනුවට, FL සෘජු, මෘදුකාංග, සහ ජාලවල ප්රමාණවත් වෙනස්කම් ඇති පරිසරයන් තුළ බොහෝ පාර්ශව පරිගණක අවශ්ය වේ. දත්ත ප්රවේශ ඉතිහාසය, පුහුණු කොන්දේසි සහ පරිගණක සංයුක්තය ඇතුළත් සියලු පද්ධති සම්පත් පසුපීඩනය කිරීම පුහුණු ක්රියාවලිය පුරා අත් යවශ්ය වේ. විශේෂයෙන් නොපෙනෙනී සංවිධානවල දී, පසුපීඩතාව සහ වගකීම් ක්රියාවලිය ක්රියාවලිය ක්රියාවලිය ක්රියාවලිය සම්පූර්ණතාවය අවශ්ය වේ. පුහුණු ක්රියාවලිය එකිනෙකා පර්යේෂකයන් අනපේක්ෂිත ප්රතිඵල තේරුම් ගැනීමට පුහුණු කරන ලද දත්ත පරීක්ෂා කිරීමට නොහැකි බව FL පිළිබඳ එක් අනුකූලතාවයක් වේ.එහෙත්, ඔවුන්ගේ පුහුණු දත්ත පිළිබඳ පර්යේෂණ ප්රතිඵල ක්රියාත්මක කිරීම ආකෘති සංවර්ධනය කිරීමේ ක්රියාවලියක කොටසක් ලෙස පර්යේෂකයන් පෞද්ගලිකත්වය උල්ලංඝනය නොකරන බව ලෙස සහයෝගී වන පාර්ශවයන් විසින් අනුමත කළ යුතුය.එහෙත් සෑම වෙබ් අඩවියකම තමන්ගේම අමු දත්ත වෙත ප්රවේශයක් ඇති වනු ඇත, ෆෙඩරල් මෙම අවශ්යතාවය සපුරාලීම සඳහා ආරක්ෂිත intra-node දර්ශන පහසුකම් සපයීමට තීරණය කළ හැකිය හෝ ගෝලීය ආකෘතිය පිළිබඳ පැහැදිලි කිරීම සහ පරිවර්තනය කිරීමට වෙනත් ක්රමයක් 64 පද්ධති ආකෘතිය McMahan et al වැනි පාරිභෝගික උපකරණ අතර විශාල ප්රමාණයේ FL ක්රියාත්මක කිරීම වෙනුවට. සෞඛ් ය ආයතනික සහභාගීන්ට සෑහෙන්න ශක්තිමත් පරිගණක සම්පත් සහ විශ්වාසනීය, ඉහළ ප්රවාහන ජාලයන් සපයනු ලැබේ, වැඩි ප්රදේශීය පුහුණු පියවර සහිත විශාලතම ආකෘති පුහුණු කිරීම සහ නඩත්තු අතර වඩාත් ආකෘති තොරතුරු බෙදාහැරීම සඳහා ඉඩ සලසයි. සෞඛ්ය අංශයේ FL හි මෙම සුවිශේෂී විශේෂාංග එවැනි දත්ත සම්පූර්ණතාවය ආරක්ෂා කිරීම, ප්රමාණවත් නඩත්තු භාවිතය මගින් සන්නිවේදනය කරන විට, දත්ත පැතිරීම වළක්වා ගැනීමට ආරක්ෂිත සංකීර්ණ කිරීමේ ක්රම නිර්මාණය කිරීම, හෝ බෙදාහැරෙන පරිගණක උපකරණ හොඳම ප්රයෝජන ලබා ගැනීම සඳහා සුදුසු නඩත්තු සැලැස්මකරණ නිර්මාණය කිරීම සහ 9 එවැනි ෆෙඩරෙෂර්ට් කළමනාකරණය විවිධ ආකාරයෙන් සාර්ථක විය හැකිය. පාර්ශවයන් අතර වඩාත් දැඩි දත්ත පෞද්ගලිකත්වයක් අවශ්ය වන තත්ත්වයන් තුළ, පුහුණු කිරීම යම් ආකාරයක "සහසුදුසු මැදිරියන්" පද්ධතිය හරහා ක්රියාත්මක විය හැකිය, එහිදී විශ්වාසවන්ත තුන්වන පාර්ශවයක් මැදිරියෙක් ලෙස ක්රියාත්මක වන අතර දත්ත වෙත ප්රවේශය පහසු කරයි. මෙම සැකසීම සම්මත පද්ධතිය පාලනය කරන ස්වාධීන සංවිධානයක් අවශ්ය වන අතර, එය සෑම විටම අවශ්ය නොවනු ඇත, වෙනත් වචනවලින් පවසන පරිදි, එය අමතර වියදම් හා ක්රියාකාරී වෘත්තියකට සම්බන්ධ විය හැකිය. කෙසේ වෙතත්, එය ප්රයෝජනවත් වන අතර, නිවැරදි අභ්යන් ප් රතිඵල ML, විශේෂයෙන්ම DL, ඩිජිටල් සෞඛ්ය ප්රතිකාර ක්ෂේත්රයේ විවිධ නවකතා ඇති කර ඇත. සියලුම ML ක්රමයන් සැබෑ ගෝලීය බෙදාහැරීම ළඟා වන දත්ත ප්රවේශය ප්රයෝජනවත් වන අතර, FL ශක්තිමත්, නිවැරදි, ආරක්ෂිත, ශක්තිමත් හා ස්ථාවර ආකෘති ලබා ගැනීම සඳහා ප්රවේශවත් ප්රවේශයක් වේ. දත්ත එකතු කිරීම හෝ මධ්යස්ථානය කිරීම සඳහා අවශ්යතාවයක් නොමැතිව විවිධ පාර්ශවයන් සමඟ සබඳතා පුහුණු කිරීමට ඉඩ සලසමින්, FL සංකීර්ණ ලෙස සංවේදී වෛද්ය දත්ත පිළිබඳ ප්රශ්න විසඳා ඇත. ප්රතිඵලයක් ලෙස, එය නව පර්යේෂණ හා ව්යාපාරික මාර්ග විවෘත කළ හැකි අතර, කෙසේ වෙතත්, අපි සැබෑවටම විශ්වාස කරන්නේ එය නිවැරදි ඖෂධය හා අවසානයේ වෛද්ය සේවා වැඩි දියුණු කිරීම සඳහා ප්රමාණවත් බලපෑමක් ඇති බවය. 12 වාර්තාව සලකා බැලීම පර්යේෂණ සැලැස්ම පිළිබඳ වැඩි විස්තර ලබා ගත හැක මෙම ලිපිය සමඟ සබැඳි ස්වභාවික පර්යේෂණ වාර්තාව සබැඳි 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 අනුමැතිය මෙම වැඩ සඳහා එක්සත් රාජධානියේ පර්යේෂණ සහ නවකතා ලන්ඩන් වෛද්ය ආකෘති සහ වටිනාකම මත පදනම්ව සෞඛ්ය ප්රවේශ මධ්යස්ථානය, Wellcome / EPSRC වෛද්ය ඉංජිනේරු මධ්යස්ථානය (WT203148/Z/16/Z), Wellcome ප්රධාන වැඩසටහන (WT213038/Z/18/Z), National Institutes of Health (NIH) Clinical Center හි Intramural Research Programme (Project “Trustworthy Federated Data Analytics”) සහ German Academic Exchange Service (DAAD) හි PRIME වැඩසටහන විසින් U01CA242871, German Federal Ministry of Education and Research (BMBF) හි සහාය ලබා දුන් National Institute of Neurological Disorders and Stroke (WT213038/Z/18/Z) විසින් This paper is under CC by 4.0 Deed (Attribution 4.0 International) license. available on nature මෙම ලිපිනය වන්නේ CC by 4.0 Deed (Attribution 4.0 International) බලපත් ර යටතේ. ස්වභාවයෙන් ලබා ගත හැකි
