原创<br> 医疗AI隐私不担忧！英伟达首推新影像分析系统，无需共享患者数据( 二 )_：医疗AI隐私不担忧！英伟达首推新影像

英伟达高级研究科学家Nicola Rieke说：“我们希望这是大规模实现精密医学的一大步。”

一、利用联邦学习技术，本地模型与全局模型联动

“联邦学习在不共享患者数据的情况下，就能实现多点协作的神经网络训练。具体来说，医院、疾控中心等各节点负责训练其自身的本地模型，并定期提交给参数服务器。该服务器不断累积并聚合各节点的贡献，进而创建一个全局模型（consensus model），全局模型再反向分享给所有节点。”研究人员在论文中阐述道。

▲本地模型与全局模型进行联动

联邦学习（Federated Learning）又名联合学习、联盟学习，是一种专门针对数据孤岛和数据隐私两难问题的机器学习框架。该技术在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，以在多参与方或多计算结点之间开展高效率的机器学习。

联邦学习技术可以助决策者将分散的训练数据利用起来，进而对中心深度神经网络进行训练。该方法能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。

原创<br> 医疗AI隐私不担忧！英伟达首推新影像分析系统，无需共享患者数据( 二 )