#隐私保护

联邦学习框架助力隐私保护与AI驱动的临床决策

该研究提出了一种新的联邦深度学习（FDL）框架，旨在解决传统集中式学习在患者数据隐私、数据异质性和泛化能力方面的局限。通过结合Vision Transformers和DINOv2自监督学习，该框架能够在缺乏大量标注数据的情况下实现有效的表示学习。此外，该系统还利用联邦自监督学习（FedSSL）和FedProx技术，确保在非独立同分布数据环境中的个性化模型更新。隐私保护方面，该框架采用了差分隐私机制和椭圆曲线加密技术。为了提高临床透明度和可解释性，该系统还集成了Grad-CAM和LIME等技术。实验结果表明，该方法在肺结核、糖尿病视网膜病变和脑肿瘤诊断任务中表现出色。