Mapitio ya AI ambayo inaruhusu hospitali kufundisha algorithms bila kushiriki data ya wagonjwa

Waandishi wa: 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 Waandishi wa: Nyota wa Rieke Msichana wa Hancox wa wa wa wa wa Fausto wa Milletari Mwandishi wa R. Roth Mshambuliaji wa Albarqouni Mafuta ya Spyridon Mathieu N. Galtier kwa ujumla Mwanamuziki Bennett A. Landman Klaus Maier-Hein kwa ujumla Sébastien Ourselin kwa ujumla Michezo ya Sheller wa Ronald M. Summers Andrew Mwakyembe Msisemi Shukrani Maximiliano Baust Waziri Mkuu Jorge Cardoso Abstract ya Ujuzi wa mashine unaoongozwa na data (ML) umeonekana kama mbinu ya kuahidi ya kujenga mifano ya takwimu sahihi na yenye nguvu kutoka kwa data za matibabu, ambayo inakusanywa kwa kiasi kikubwa na mifumo ya afya ya kisasa. Takwimu za matibabu zilizopo hazijatumiwa kikamilifu na ML hasa kwa sababu iko katika silos za data na wasiwasi wa faragha huzuia upatikanaji wa data hii. Hata hivyo, bila upatikanaji wa data ya kutosha, ML itazuiliwa kufikia uwezo wake kamili na, hatimaye, kutoka kufanya mabadiliko kutoka utafiti hadi mazoezi ya matibabu. Makala hii inachunguza mambo muhimu yanayochangia suala hili, inachunguza jinsi kujifunza ya shirikisho (FL) inaweza kutoa suluhisho kwa mustakabali wa Maelezo ya Utafiti juu ya akili ya kiufundi (AI), na hasa maendeleo katika kujifunza mashine (ML) na kujifunza kina (DL) Vifaa vya DL vya kisasa vinahusisha mamilioni ya vigezo ambavyo vinahitaji kujifunza kutoka kwa seti kubwa ya data iliyoundwa ili kufikia usahihi wa ngazi ya kliniki, wakati huo huo huo kuwa salama, haki, sawa na kuzidisha data nzuri hadi isiyoonekana. , , , . 1 2 3 4 5 Kwa mfano, mafunzo ya detector ya tumor ya msingi ya AI inahitaji database kubwa ambayo inajumuisha spektrum kamili ya anatomics iwezekanavyo, ugonjwa, na aina ya data ya kuingia. data kama hii ni vigumu kupata, kwa sababu data ya afya ni ya kibinafsi sana na matumizi yake ni kudhibitiwa sana Hata kama utambulisho wa data unaweza kuepuka vikwazo hivi, sasa inajulikana vizuri kwamba kuondoa metadata kama jina la mgonjwa au tarehe ya kuzaliwa mara nyingi sio ya kutosha kudumisha faragha. Kwa mfano, inawezekana kurekebisha uso wa mgonjwa kutoka kwa data ya tomography ya kompyuta (CT) au picha ya resonance magnetic (MRI). Sababu nyingine kwa nini usambazaji wa data si utaratibu katika huduma ya afya ni kwamba kukusanya, kuratibu, na kudumisha data ya ubora wa data inachukua muda mwingi, juhudi, na gharama.Kwa hiyo data hizo zinaweza kuwa na thamani kubwa ya biashara, na kufanya iwe chini ya uwezekano kwamba watashirikiwa huru. 6 7 8 Elimu ya Shirikisho (FL) , , ni mfano wa kujifunza unaotafuta kukabiliana na tatizo la utawala wa data na faragha kwa kufundisha algorithms kwa ushirikiano bila kubadilishana data yenyewe. , hivi karibuni ilipata kuvutia kwa maombi ya huduma ya afya , , , , , , , FL inaruhusu kupata ufahamu kwa ushirikiano, kwa mfano, katika fomu ya mfano wa makubaliano, bila kuhamisha data ya wagonjwa nje ya firewalls ya taasisi ambazo wanaishi. badala yake, mchakato wa ML hutokea ndani ya kila taasisi inayoshiriki na sifa za mfano tu (kwa mfano, vigezo, gradients) kuhamishwa kama ilivyoonyeshwa katika sura. Utafiti wa hivi karibuni umeonyesha kwamba mifano iliyoandaliwa na FL inaweza kufikia viwango vya utendaji vinavyofanana na wale walioandaliwa kwenye seti za data zilizoshikiliwa kikamilifu na bora kuliko mifano ambayo yanaona tu data ya taasisi moja iliyojitenga. , . 9 10 11 12 13 14 15 16 17 18 19 20 1 16 17 FL mchanganyiko wa seva — kawaida FL mchanganyiko wa kazi ambapo shirikisho la nodes mafunzo kupokea mfano wa kimataifa, kuwasilisha nyongeza yao sehemu-kufundishwa mifano kwa seva ya katikati kwa intermittent kwa mchanganyiko na kisha kuendelea mafunzo juu ya mfano wa makubaliano kwamba seva kurudi. FL peer kwa peer — muundo mbadala wa FL ambapo kila node ya mafunzo inachangia mifano yake ya sehemu ya mafunzo na baadhi au wote wa wenzake na kila hufanya mchanganyiko wake mwenyewe. Mafunzo ya kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo cha kituo a b c Utekelezaji wa mafanikio wa FL inaweza hivyo kuwa na uwezo mkubwa wa kuruhusu dawa ya usahihi kwa kiwango kikubwa, kusababisha mifano ambayo inatoa maamuzi yasiyo ya kipekee, kutafakari kwa ufanisi physiology ya mtu, na ni hatari kwa magonjwa ya nadra wakati kuheshimu masuala ya utawala na faragha. Hata hivyo, FL bado inahitaji kuzingatia kiufundi cha makini ili kuhakikisha kwamba algorithm inafanya kazi vizuri bila kuathiri usalama au faragha ya wagonjwa. Tunaona mustakabali unaounganishwa kwa afya ya digital na kwa makala hii ya mtazamo, tunashirikisha mtazamo wetu wa makubaliano kwa lengo la kutoa mazingira na maelezo kwa jamii kuhusu faida na athari za FL kwa maombi ya matibabu (Sehemu “Data-driven medicine requires federated efforts”), pamoja na kuonyesha mawazo muhimu na changamoto za kutekeleza FL kwa afya ya digital (Sehemu “Matibabu ya kiufundi”). Matibabu ya data yanahitaji juhudi za shirikisho ML na hasa DL inakuwa mbinu ya ukweli wa ufunuo wa ujuzi katika viwanda vingi, lakini utekelezaji wa mafanikio wa maombi ya data yanahitaji mkusanyiko mkubwa na tofauti wa data. Hata hivyo, mkusanyiko wa data ya matibabu ni vigumu kupata (subsection "Utegemezi wa data"). FL inakabiliwa na tatizo hili kwa kuruhusu kujifunza kwa kushirikiana bila kuunganisha data (subsection "Uhukumu wa juhudi za shirikisho") na tayari amepata njia yake kwa maombi ya afya ya digital (subsection "Muhimu wa sasa wa FL kwa afya ya digital"). Utegemezi wa data Mbinu za data zinategemea data ambazo kwa kweli zinawakilisha usambazaji wa data ya msingi wa tatizo. Ingawa hii ni mahitaji inayojulikana, algorithms za kisasa kwa kawaida hupimwa juu ya mkusanyiko wa data uliofanywa kwa makini, mara nyingi kutoka vyanzo chache tu. Hii inaweza kuanzisha vipengele ambapo idadi ya watu (kwa mfano, jinsia, umri) au usawa wa kiufundi (kwa mfano, mkataba wa ununuzi, mtengenezaji wa vifaa) hupotosha utabiri na kuathiri uhakika kwa makundi fulani au maeneo. Mahitaji ya database kubwa kwa ajili ya mafunzo ya AI imesababisha mapendekezo mengi yanayotaka kuunganisha data kutoka taasisi nyingi. Takwimu hii mara nyingi huunganishwa katika takwimu zinazojulikana kama Data Lakes. Hizi zimejengwa kwa lengo la kutumia thamani ya kibiashara ya data, kwa mfano, IBM Merge Healthcare uuzaji , au kama rasilimali kwa ukuaji wa kiuchumi na maendeleo ya kisayansi, kwa mfano, NHS National Safe Haven ya Scotland Kituo cha Data cha Afya ya Kifaransa Utafiti wa Data ya Afya Uingereza . 21 22 23 24 Kazi kubwa, ingawa ndogo, ni pamoja na Human Connectome Biobank ya Uingereza Uchambuzi wa Kansa (Cancer Imaging Archive) Mifano ya CXR8 kwa ajili ya DeepLesion Atlas ya Genome ya Kansa (TCGA) Utaratibu wa Neuroimaging ya Ugonjwa wa Alzheimer (ADNI) pamoja na changamoto kubwa za matibabu Changamoto ya Camelion Mpango wa Kimataifa wa Multimodal Brain Tumor Segmentation (BraTS) , , Maelezo ya madawa ya kulevya ya Decathlon Data ya matibabu ya umma kwa kawaida ni kazi au ugonjwa maalum na mara nyingi hutoa kwa kiwango tofauti cha vikwazo vya leseni, wakati mwingine kuzuia matumizi yake. 25 26 27 28 29 30 31 32 33 34 35 36 37 Kuunganisha au kufichua data, hata hivyo, haina changamoto tu za kikatiba, maadili na kisheria, zinazohusiana na faragha na ulinzi wa data, lakini pia za kiufundi. Anonymization, kudhibiti upatikanaji na uhamisho salama wa data ya huduma ya afya ni kazi isiyo ya kipekee, na wakati mwingine haiwezekani. data ya anonimishwa kutoka kwa rekodi ya afya ya umeme inaweza kuonekana isiyo na hatari na GDPR / PHI, lakini mambo machache tu ya data yanaweza kuruhusu utambulisho wa wagonjwa Hivyo ndivyo ilivyo kwa data ya genomic na picha za matibabu ambazo zinafanya kuwa za kipekee kama picha za vidole. Kwa hiyo, isipokuwa mchakato wa utambulisho unahatarisha uaminifu wa data, uwezekano wa kuwa na manufaa, utambulisho wa mgonjwa au uvuvi wa habari hauwezi kuondolewa. upatikanaji wa gates kwa watumiaji waliokubaliwa mara nyingi hutolewa kama suluhisho la kutosha kwa tatizo hili. Hata hivyo, pamoja na kupunguza upatikanaji wa data, hii ni ya vitendo tu kwa matukio ambapo idhini iliyotolewa na wamiliki wa data ni isiyo ya masharti, kwa sababu kuita data kutoka kwa wale ambao wanaweza kuwa na upatikanaji wa data ni kimsingi haiwezekani. 7 38 ahadi ya jitihada za shirikisho Utaratibu wa FL ni rahisi — kukabiliana na changamoto za faragha na utawala wa data kwa kuruhusu ML kutoka data zisizo za pamoja. Katika mazingira ya FL, kila msimamizi wa data haina tu kufafanua mchakato wake mwenyewe wa utawala na sera zinazohusiana na faragha, lakini pia inashughulikia upatikanaji wa data na ana uwezo wa kuondoa. Hii inajumuisha mafunzo na hatua ya uhakiki. Kwa njia hii, FL inaweza kuunda fursa mpya, kwa mfano, kwa kuruhusu uhakiki mkubwa, ndani ya taasisi, au kwa kuruhusu utafiti mpya juu ya magonjwa ya nadra, ambapo viwango vya ajali ni cha chini na seti za data katika kila taasisi ni ndogo sana. Kuhamia mfano kwa data na sio kinyume chake ina faida nyingine kubwa: data ya matibabu ya ukubwa Kama ilivyoelezwa katika Fig. FL workflow inaweza kutekelezwa na topolojia tofauti na mipango ya kompyuta. mbili ya kawaida kwa maombi ya huduma ya afya ni kupitia seva ya mchanganyiko , , Nafasi ya Peer to Peer , . In all cases, FL implicitly offers a certain degree of privacy, as FL participants never directly access data from other institutions and only receive model parameters that are aggregated over several participants. In a FL workflow with aggregation server, the participating institutions can even remain unknown to each other. However, it has been shown that the models themselves can, under certain conditions, memorise information , , , Kwa hiyo, taratibu kama vile faragha tofauti , au kujifunza kutoka kwa data iliyosajiliwa imependekezwa ili kuongeza faragha zaidi katika mazingira ya FL (kwa mfano, sehemu "Matazamo ya kiufundi"). Kwa ujumla, uwezo wa FL kwa maombi ya afya umesababisha maslahi katika jamii na teknolojia za FL ni eneo la kuongezeka la utafiti , . 2 16 17 18 15 39 40 41 42 43 44 45 46 12 20 Topolojia ya FL - usanifu wa mawasiliano wa shirikisho. Centralized: seva ya mchanganyiko inashirikisha iterations ya mafunzo na kukusanya, kuunganisha na kusambaza mifano kutoka na kwa Nodes ya Mafunzo (Hub & Spoke). Decentralized: Kila node ya mafunzo ni kuunganishwa na mmoja au zaidi na mchanganyiko hutokea juu ya kila node katika parallel. Picha hii ilipigwa tokea ktk veranda za moja ya vyumba vya Manyara Serena Lodge na ilipigwa tokea ktk veranda za moja ya vyumba vya Manyara Serena Lodge. FL mipango ya kompyuta—mchakato wa mfano katika washirika kadhaa. Mafunzo ya mfululizo / ujuzi wa uhamisho wa mzunguko. Ujumbe wa Server, kwa ajili ya peer. a b c d e f g Mpango wa sasa wa FL kwa afya ya digital Kwa kuwa FL ni paradigm ya kujifunza ya jumla ambayo inapunguza mahitaji ya kuunganisha data kwa ajili ya maendeleo ya mfano wa AI, kiwango cha maombi ya FL kinashughulikia AI nzima kwa huduma ya afya. Kwa kutoa fursa ya kukamata tofauti kubwa ya data na kuchambua wagonjwa katika idadi tofauti ya idadi ya watu, FL inaweza kuruhusu uvumbuzi wa kuharibu kwa siku zijazo lakini pia inatumika sasa. Katika mazingira ya rekodi za afya za elektroniki (EHR), kwa mfano, FL husaidia kuwakilisha na kupata wagonjwa wa kliniki sawa , pamoja na kutabiri hospitali kwa sababu ya matukio ya moyo Kufa na muda wa kukaa kwa ICU Utekelezaji na faida za FL pia zimeonyeshwa katika uwanja wa picha za matibabu, kwa sehemu ya ubongo kamili katika MRI , kama vile segmentation ya tumor ya ubongo , Hivi karibuni, mbinu hii imekuwa kutumika kwa fMRI classification kupata biomarker ya kuaminika inayohusiana na ugonjwa. na ilipendekezwa kama mbinu ya kuahidi katika mazingira ya COVID-19 . 13 47 14 19 15 16 17 18 48 Ni muhimu kutambua kwamba juhudi za FL zinahitaji makubaliano ya kufafanua kiwango, lengo na teknolojia zinazotumika ambazo, kwa kuwa bado ni mpya, zinaweza kuwa vigumu kufafanua. Hizi ni pamoja na makundi ambayo lengo la kuendeleza utafiti, kama vile mradi wa Trustworthy Federated Data Analytics (TFDA) na jukwaa la pamoja la picha la Consortium ya Kijerumani ya Kansa Mfano mwingine ni ushirikiano wa kimataifa wa utafiti ambao hutumia FL kwa ajili ya maendeleo ya mifano ya AI kwa tathmini ya mamogram Utafiti huo ulionyesha kwamba mifano ya FL iliyoundwa ilipata mafanikio zaidi kuliko wale waliohitimu kwenye data ya Taasisi moja na walikuwa wa kawaida zaidi, hivyo bado walifanya vizuri kwenye data ya Taasisi nyingine. Chuo Kikuu 49 50 51 Kwa kuunganisha taasisi za afya, sio tu kwa vituo vya utafiti, FL inaweza kuwa na moja kwa moja Matokeo ya mradi unaoendelea wa HealthChain , kwa mfano, ina lengo la kuendeleza na kutumia mfumo wa FL katika hospitali nne nchini Ufaransa. ufumbuzi huu unazalisha mifano ya kawaida ambayo inaweza kutabiri majibu ya matibabu kwa wagonjwa wa saratani ya matiti na melanoma. Inasaidia oncologists kuamua matibabu yenye ufanisi zaidi kwa kila mgonjwa kutoka kwa slides ya histology au picha za dermoscopy. , ambayo ni shirikisho la kimataifa la taasisi za afya za kujitolea 30 zinazotumia mfumo wa FL wa chanzo cha wazi na interface ya mtumiaji ya graphic. lengo ni kuboresha kugundua mipaka ya tumor, ikiwa ni pamoja na glioma ya ubongo, tumors ya matiti, tumors ya ini na uharibifu wa mfupa kutoka kwa wagonjwa wengi wa myeloma. Kliniki ya 52 53 Sehemu nyingine ya athari ni ndani ya utafiti na tafsiri. FL inaruhusu utafiti wa ushirikiano kwa, hata washindani, makampuni. Katika mazingira haya, moja ya mapendekezo makubwa ni mradi wa Melloddy Ni mradi ambao unalenga kutekeleza FL multi-task katika seti ya data ya makampuni ya dawa 10. Kwa kufundisha mfano wa kawaida wa utabiri, ambayo inafundisha jinsi viungo vya kemikali vinahusisha na protini, washirika wana nia ya kuboresha mchakato wa utafutaji wa dawa bila kufichua data zao muhimu sana za ndani. Viwanda vya 54 Athari kwa washirika FL inajumuisha mabadiliko ya paradigm kutoka kwenye mashamba ya data ya kituo na ni muhimu kuelewa athari zake kwa washirika mbalimbali katika mazingira ya FL. wa kliniki Wataalamu wa matibabu kwa kawaida wanakabiliwa na kikundi kimoja cha idadi ya watu kulingana na eneo zao na mazingira ya idadi ya watu, ambayo inaweza kusababisha matarajio makali kuhusu uwezekano wa magonjwa fulani au uhusiano wao. Kwa kutumia mifumo ya msingi ya ML, kwa mfano, kama msomaji wa pili, wanaweza kuongeza ujuzi wao wenyewe na ujuzi wa wataalamu kutoka taasisi nyingine, kuhakikisha ufuatiliaji wa utambulisho usioweza kufikia leo. Ingawa hii inatumika kwa mfumo wa msingi wa ML kwa ujumla, mifumo iliyofundishwa kwa njia ya shirikisho inaweza kutoa maamuzi madogo na hisia ya juu kwa matukio machache kama inawezekana kuwa na usambazaji wa data kamili zaidi. Hata hivyo, hii inahitaji juhudi fulani za mbele kama vile wagonjwa Wagonjwa kwa ujumla hutibiwa mahali. Kuunda FL katika kiwango cha kimataifa inaweza kuhakikisha ubora wa maamuzi ya kliniki bila kujali mahali pa matibabu. Hasa, wagonjwa wanaohitaji huduma ya matibabu katika maeneo ya mbali wanaweza kufaidika na utambulisho huo wa ubora wa juu wa msaada wa ML ambao ni inapatikana katika hospitali na idadi kubwa ya matukio. Hivyo ndivyo ilivyo kwa magonjwa ya nadra, au ya kijiografia isiyo ya kawaida, ambayo inaweza kuwa na madhara madogo ikiwa uchambuzi wa haraka na sahihi unaweza kufanywa. FL pia inaweza kupunguza vikwazo vya kuwa msaidizi wa data, kwa sababu wagonjwa wanaweza kuwa na uhakika kwamba data inabaki na taasisi zao wenyewe na upatikanaji wa data inaweza kufutwa. Hospitali na mazoezi Hospitali na mazoezi yanaweza kukaa katika udhibiti kamili na umiliki wa data zao za wagonjwa na ufuatiliaji kamili wa upatikanaji wa data, kupunguza hatari ya matumizi mabaya na vyama vya tatu. Hata hivyo, hii inahitaji uwekezaji katika miundombinu ya kompyuta ya ndani au utoaji wa huduma za wingu za kibinafsi na ufuatiliaji wa muundo wa data wa kiwango na wa synoptic ili mifano ya ML inaweza kuwa mafunzo na tathmini kwa usahihi. Kiwango cha uwezo wa kompyuta unahitajika inategemea bila shaka kama tovuti inashiriki tu katika jitihada za tathmini na uchunguzi au pia katika jitihada za mafunzo. Hata taasisi ndogo zinaweza kushiriki na bado watapata faida kutoka kwa mifano ya pamoja zinazozalishwa. Watafiti na watengenezaji wa AI Watafiti na watengenezaji wa AI wanaweza kufaidika na upatikanaji wa mkusanyiko mkubwa wa data ya ulimwengu halisi, ambayo bila shaka itaathiri majaribio madogo ya utafiti na start-ups. Kwa hiyo, rasilimali zinaweza kuelekezwa kwa ufumbuzi wa mahitaji ya kliniki na matatizo ya kiufundi yanayohusiana badala ya kutegemea upatikanaji mdogo wa mkusanyiko wa data wazi. , , Maendeleo ya FL pia inamaanisha kwamba mtafiti au mtengenezaji wa AI hawezi kuchunguza au kutafakari data zote ambazo mfano unafundishwa juu yake, kwa mfano, haiwezekani kuangalia kesi ya kukosa binafsi ili kuelewa kwa nini mfano wa sasa unafanya kazi mbaya juu yake. 11 12 20 Watoa huduma za afya Wafanyabiashara wa huduma za afya katika nchi nyingi wanaathiriwa na mabadiliko ya paradigm ya sasa kutoka kwa kiwango cha ukubwa, yaani, kulingana na ada kwa huduma, kwa huduma ya afya ya thamani, ambayo kwa upande wake inahusishwa sana na kuanzishwa kwa mafanikio ya dawa ya usahihi. Hili sio juu ya kukuza matibabu ya gharama nafuu, lakini badala yake juu ya kufikia matokeo bora mapema kupitia matibabu yenye lengo zaidi, na hivyo kupunguza gharama. Wafanyabiashara Watengenezaji wa programu za afya na vifaa vinaweza kufaidika na FL pia, kwa sababu kuunganisha kujifunza kutoka kwa vifaa vingi na maombi, bila kufichua habari maalum ya mgonjwa, inaweza kuwezesha uhakiki wa kuendelea au kuboresha mifumo yao ya ML. Hata hivyo, kutambua uwezo huu inaweza kuhitaji upgrades kubwa kwa kompyuta ya ndani, kuhifadhi data, uwezo wa mtandao na programu zinazohusiana. Maoni ya kiufundi FL ni labda maarufu zaidi kutoka kazi ya Konečnỳ et al. , lakini mafao mengine kadhaa yamependekezwa katika fasihi , , , Mfumo wa kazi wa FL (Fig. ) inaweza kufanywa kupitia topolojia tofauti na mipango ya kompyuta (Fig. Katika sehemu hii, tutajadili kwa undani zaidi nini FL ni, pamoja na kuonyesha changamoto kuu na mawazo ya kiufundi ambayo hutokea wakati wa kutumia FL katika afya ya digital. 55 9 11 12 20 1 2 Ufafanuzi wa kujifunza ya Shirikisho FL ni paradigm ya kujifunza ambapo vyama vingi hufundisha kwa kushirikiana bila haja ya kubadilishana au kuunganisha idadi ya data. uharibifu wa ndani, kuhesabiwa kutoka kwa data binafsi , ambayo ni makao kwa ajili ya watu binafsi wanaohusika na kamwe kushirikiana kati yao: K XK ya ambapo > 0 inamaanisha viwango vya uzito vinavyofaa. ya wk Katika mazoezi, kila mshiriki kwa kawaida anapata na kuimarisha mfano wa makubaliano ya kimataifa kwa kuendesha mikutano machache ya uboreshaji ndani na kabla ya kushiriki updates, moja kwa moja au kupitia seva ya parameter. ) , Mchakato halisi wa kuunganisha vigezo hutegemea topolojia ya mtandao, kwa sababu nodes inaweza kuwa tofauti katika mitandao ya chini kutokana na vikwazo vya kijiografia au kisheria (angalia Fig. Mkakati wa mchanganyiko unaweza kutegemea kiungo kimoja cha mchanganyiko (mfano wa hub na msemaji), au kwenye viungo vingi bila usimamizi wowote. Mfano ni FL ya peer-to-peer, ambapo uhusiano unapatikana kati ya washiriki wote au subset na upyaji wa mfano unashirikiwa tu kati ya maeneo yaliyounganishwa moja kwa moja. , Tafadhali kumbuka kwamba mkakati wa mchanganyiko hauhitaji haja ya taarifa kuhusu update kamili ya mfano; wateja wanaweza kuchagua kushiriki tu subset ya vigezo vya mfano kwa ajili ya kupunguza mawasiliano ya juu, kuhakikisha uhifadhi bora wa faragha. au kuzalisha algorithms ya kujifunza ya kazi nyingi ambazo zina tu sehemu ya vigezo vyao kujifunza kwa njia ya shirikisho. 1 9 12 2 15 56 10 Mfumo wa kuunganisha unaoweza kuruhusu mipango mbalimbali ya mafunzo inaweza kuondoa rasilimali za kompyuta (data na seva) kutoka kwa Kama ilivyoelezwa katika Fig. Mwisho unafafanua njia ya mfano katika washirika kadhaa, ambayo inapaswa kuwa mafunzo na tathmini juu ya seti maalum ya data. Mipango ya kompyuta 2 changamoto na mawazo ya Licha ya faida za FL, haina kutatua matatizo yote yanayohusiana na kujifunza kuhusu data za matibabu. Mafunzo ya mafanikio ya mfano bado yanategemea mambo kama ubora wa data, upendeleo na viwango Maswali haya yanahitaji kutatua kwa juhudi za kujifunza za shirikisho na zisizo za shirikisho kwa njia ya hatua sahihi, kama vile kubuni wa utafiti wa makini, protocols za kawaida kwa ajili ya upatikanaji wa data, ripoti iliyoundwa na mbinu za kisasa za kugundua udanganyifu na stratification ya siri. Katika hapa chini, tunashughulikia vipengele muhimu vya FL ambazo ni muhimu hasa wakati zinatumika kwa afya ya digital na zinahitaji kuzingatiwa wakati wa kuanzisha FL. , , . 2 11 12 20 Heterogeneity ya data Medical data is particularly diverse—not only because of the variety of modalities, dimensionality and characteristics in general, but even within a specific protocol due to factors such as acquisition differences, brand of the medical device or local demographics. FL may help address certain sources of bias through potentially increased diversity of data sources, but inhomogeneous data distribution poses a challenge for FL algorithms and strategies, as many are assuming independently and identically distributed (IID) data across the participants. In general, strategies such as kuwa na uwezo wa kushindwa katika hali hii , , , sehemu ya kushinda lengo halisi la mikakati ya kujifunza kwa ushirikiano. Matokeo ya hivi karibuni, hata hivyo, yanaonyesha kwamba mafunzo ya FL bado inawezekana hata kama data za matibabu hazirudishwa kwa usawa katika taasisi , Au inajumuisha bias ya ndani Utafiti uliofanywa juu ya tatizo hili unaonyesha, kwa mfano, Mkakati wa sehemu ya data-sharing na FL na uongofu wa kikoa Tatizo jingine ni kwamba heterogeneity ya data inaweza kusababisha hali ambapo ufumbuzi bora wa kimataifa inaweza kuwa si bora kwa mshiriki mmoja wa mitaa. wafuasi 9 9 57 58 59 16 17 51 FedProx ya 57 58 18 Faragha na Usalama Takwimu za huduma za afya ni nyeti sana na zinapaswa kulindwa kulingana na utaratibu sahihi wa siri.Kwa hiyo, baadhi ya mawazo muhimu ni mikataba, mikakati na hatari zilizopo kuhusiana na uwezo wa kuhifadhi faragha wa FL. Faragha vs utendaji: Ni muhimu kutambua kwamba FL haina kutatua matatizo yote ya faragha ya uwezekano na - sawa na algorithms ya ML kwa ujumla - daima huchukua hatari fulani. Hata hivyo, kuna upungufu wa utendaji na mbinu hizi zinaweza kuathiri, kwa mfano, usahihi wa mfano wa mwisho. Zaidi ya hayo, mbinu za baadaye na / au data ya ziada inaweza kutumika kuharibu mfano uliowekwa awali kama hatari ndogo. 12 10 Kiwango cha uaminifu: Kwa ujumla, washiriki wanaweza kuingia aina mbili za ushirikiano wa FL: - Kwa makubaliano ya FL ambapo vyama vyote vinahesabiwa kuwa vya kuaminika na vinahusishwa na makubaliano ya ushirikiano yanayoweza kutekelezwa, tunaweza kuondoa motisha nyingi mbaya zaidi, kama vile jaribio la makusudi la kuchukua habari nyeti au kuharibu mfano kwa makusudi. waaminifu — Katika mifumo ya FL ambayo inafanya kazi kwa kiwango kikubwa, inaweza kuwa vigumu kuunda makubaliano ya ushirikiano unaoweza kutekelezwa. Baadhi ya wateja wanaweza kujaribu kuharibu utendaji, kuharibu mfumo au kuchukua habari kutoka kwa vyama vingine.Kwa hiyo, mikakati ya usalama inahitajika kupunguza hatari hizi kama vile, encryption ya juu ya maagizo ya mfano, utambulisho salama wa vyama vyote, kufuatiliaji wa vitendo, faragha tofauti, mifumo ya ukaguzi, utimilifu wa utekelezaji, faragha ya mfano na ulinzi dhidi ya mashambulizi ya adui. wasiokuwa waaminifu Utoaji wa habari: Kwa ufafanuzi, mifumo ya FL inapinga kushiriki data za huduma za afya kati ya taasisi zinazoshiriki. Hata hivyo, habari iliyoshiriki inaweza bado kuonyesha data ya kibinafsi inayotumika kwa mafunzo ya ndani, kwa mfano, kwa kubadilisha mfano kutoka kwa mifano ya updates, gradients wenyewe na mashambulizi ya wapinzani , FL ni tofauti na mafunzo ya jadi kwa sababu mchakato wa mafunzo unapatikana kwa vyama vingi, na hivyo kuongeza hatari ya uvuvi kupitia reverse-engineering ikiwa wapinzani wanaweza kuchunguza mabadiliko ya mfano kwa muda, kufuatilia updates ya mfano maalum (yaani, update ya taasisi moja), au kuchanganya mfano (kwa mfano, kuchochea kumbukumbu ya ziada na wengine kupitia mashambulizi ya gradient-ascent-style). , na kuhakikisha tofauti ya faragha ya kutosha , inaweza kuwa inahitajika na bado ni eneo la utafiti wa kazi . 60 61 62 63 16 18 44 12 Traceability and accountability Kama kwa maombi yote muhimu ya usalama, utambulisho wa mfumo ni muhimu kwa FL katika huduma za afya. Tofauti na mafunzo ya kituo cha juu, FL inahitaji hesabu nyingi katika mazingira ambayo huonyesha tofauti kubwa katika suala la vifaa, programu na mitandao. Ufuatiliaji wa rasilimali zote za mfumo ikiwa ni pamoja na historia ya upatikanaji wa data, mipangilio ya mafunzo, na tuning ya hyperparameter katika mchakato wa mafunzo ni hivyo lazima. Hasa katika shirikisho isiyo ya kuaminika, ufuatiliaji na mchakato wa uwajibikaji unahitaji utendaji wa utekelezaji. Baada ya mchakato wa mafunzo kufikia vigezo vya upatikanaji wa mifano iliyokubalika, inaweza pia kuwa na manufaa kupima kiwango cha mchango kutoka kwa kila mshiriki, kama vile rasilimali za kompyuta ziliz Moja ya madhara ya FL ni kwamba watafiti hawawezi kuchunguza data ambayo mifano ni mafunzo kufanya maana ya matokeo yasiyotarajiwa. Zaidi ya hayo, kuchukua uchambuzi wa takwimu ya data yao ya mafunzo kama sehemu ya mchakato wa kazi ya maendeleo ya mfano itahitaji kukubalika na washirika wa ushirikiano kama si kuingiliana na faragha. Ingawa kila tovuti itakuwa na upatikanaji wa data yake mwenyewe, shirikisho inaweza kuamua kutoa aina fulani ya usalama ndani-node kutazama kifaa ili kukidhi mahitaji hii au inaweza kutoa njia nyingine ya kuongeza ufafanuzi na ufafanuzi wa mfano wa kimataifa. 64 Mfumo wa usanifu Tofauti na kuendesha FL katika kiwango kikubwa kati ya vifaa vya watumiaji kama vile McMahan et al. Washiriki wa taasisi za afya wanapatikana na rasilimali za kompyuta yenye nguvu na mitandao ya kuaminika ya upatikanaji wa juu ambayo inaruhusu mafunzo ya mifano kubwa na hatua nyingi za mafunzo ya ndani, na kushiriki habari zaidi ya mifano kati ya nodes. Hizi sifa za kipekee za FL katika huduma ya afya pia hutoa changamoto kama vile kuhakikisha uaminifu wa data wakati wa kuwasiliana kwa kutumia nodes ya kutosha, kubuni mbinu salama za encryption ili kuzuia upatikanaji wa data, au kubuni mipangilio sahihi ya nodes ili kutumia kwa ufanisi zaidi vifaa vya kompyuta vinavyotumika na kupunguza muda wa upungufu. 9 Utawala wa shirikisho hili unaweza kufanywa kwa njia tofauti. Katika hali zinazohitaji faragha ya data kali zaidi kati ya vyama, mafunzo yanaweza kutumika kupitia aina fulani ya mfumo wa "mkakati wa uaminifu", ambapo mtu wa tatu wa kuaminika anafanya kazi kama mtumiaji na huwezesha upatikanaji wa data. Ujenzi huu unahitaji mamlaka ya kujitegemea ambayo inashughulikia mfumo wa jumla, ambayo haiwezi daima kuwa ya kutosha, kwa sababu inaweza kuhusisha gharama za ziada na viscosity ya utaratibu. Hata hivyo, ina faida kwamba taratibu za ndani zinazofaa zinaweza kuondolewa kutoka kwa wateja, na mabadiliko yanapaswa kufanywa kwa njia inayofaa na vyama vyote ili kuepuka matatizo. Zaidi ya hayo, katika mfumo wa peer-to- Mwisho wa ML, na hasa DL, imesababisha mfululizo wa uvumbuzi katika uwanja wa afya ya digital. Kama mbinu zote za ML zinafaidika sana na uwezo wa kupata data ambayo inakaribia usambazaji wa kweli wa kimataifa, FL ni mbinu ya kusisimua ya kupata mifano yenye nguvu, sahihi, salama, imara na isiyo ya kipekee. Kwa kuruhusu vyama vingi kujifunza kwa ushirikiano bila haja ya kubadilishana au kuunganisha data, FL inakabiliwa vizuri na masuala yanayohusiana na kuanguka kwa data za matibabu. Kama matokeo, inaweza kufungua njia mpya za utafiti na biashara na ina uwezo wa kuboresha huduma ya wagonjwa duniani kote. Hata hivyo, leo, FL ina athari juu ya washiriki karibu wote na mzunguko wote wa matibabu, kuanzia uchambuzi bora wa picha ya mat Pamoja na hayo, tunaamini kwa kweli kwamba athari yake ya uwezekano juu ya dawa ya usahihi na hatimaye kuboresha huduma ya matibabu ni ya kuahidi sana. 12 Ripoti ya muhtasari Maelezo zaidi juu ya mpango wa utafiti inapatikana katika imeunganishwa na makala hii. Ripoti ya utafiti wa asili Maelezo ya 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 Ujumbe wa Kazi hii iliunga mkono Uingereza Utafiti na Innovation London Medical Imaging & Artificial Intelligence Center kwa thamani-Based Healthcare, Wellcome / EPSRC Kituo cha Uhandisi wa Matibabu (WT203148/Z/16/Z), Programu Wellcome Flagship (WT213038/Z/18/Z), Intramural Utafiti Programu ya Taasisi ya Taifa ya Afya (NIH) Kituo cha kliniki, na Taasisi ya Taifa ya Kansa ya NIH (DAAD) chini ya tathmini nambari U01CA242871, na Taasisi ya Taifa ya Neurological Disorders na Stroke ya NIH chini ya tathmini nambari R01NS042645, pamoja na Helmholtz Initiative na Networking Fund (mchakato "Uaminifu Federated Data Analytics") na programu PRIME ya Makala hii inapatikana katika asili chini ya leseni ya CC by 4.0 Deed (Attribution 4.0 International). Makala hii ni chini ya leseni ya CC by 4.0 Deed (Attribution 4.0 International). Inapatikana kwa asili