医疗数据场景下的联邦学习研究综述

摘要

随着人工智能与医疗大数据的融合,医疗数据隐私保护成为制约其发展的核心问题,联邦学习作为新型分布式隐私计算框架,旨在解决隐私安全于数据共享之间的矛盾。目前基于联邦学习的框架已运用于诸多医疗场景,取得较好成效,因此对联邦学习的概念、应用和未来发展的分析尤为重要。文章首先介绍联邦学习的概念、分析特点和列举现有框架;接着对联邦学习的三个应用领域,医疗影像、疾病风险预测和药物挖掘进行梳理,并介绍最新相关研究;最后从可解析性、安全性、性能效率三个角度探讨展望联邦学习未来研究方向。