Nature封面：人工智能AI新方法！跨越医疗数据隐私问题进行学习

6月末15日传闻，机器进修应用新进展又一次推上世界性学时术期刊《纯净》（Nature）封底。

小团体终端深受异种、蜂群这类社时会其职能动物的举动启发而来，可用以分析电视转播、间接选举等活动的结果。但它还可以明白更为多。比如，在不违犯人身安全例的前提将来自全世界的诊疗原始数据展开拆分，以便短时间内精确地验证忧郁症比较严重营养不良的患者。

最近，柏林莱比锡大学时的社会科学时研究其他部门联合一些公司以及来自希腊、荷兰、柏林的多家社会科学时研究政府机构，共计同开发了一种将边缘测算、基于区块链的对等的网络为基础起来的大部分式人工终端例则——「Swarm Learning」（小团体进修，SL），可以从大部分存储的原始数据当中验证不止多种营养不良，最大限度减缓全世界范围的精准诊疗协同工作，能用以相同附属医院密切关系原始数据的拆分

社会科学时研究其他部门基于1.64万份血浆基因表达分组和9.5万份脸部X射线影像原始数据，应用于SL为脑癌、心脏病反应和肺脏营养不良、COVID-19开发营养不良验证线其职能该系统，发现SL在符合规避规范的同时比不上单个附属医院开发的线其职能该系统。解例识别不止体弱生物体的吻合率，在血浆基因表达分组原始数据集当中不等为90%，在X射线影像原始数据集当中观感为76%-86%。

社会科学时社会科学时研究于5月末27日以 Swarm Learning for decentralized and confidential clinical machine learning 为题发表在周报 Nature 上，并推上了简介一期的周报封底。

学时术论文文档：

短时间内精确地验证忧郁症比较严重营养不良的患者是精准诊疗的主要目的，而 AI 可以很好地常规。但由于人身安全例的确保，运用以上的可行和推行上的由此可知密切关系普遍存在着巨大的贫富差距。虽然 AI 彻底解决方案并不一定上比如说适当的解例，但也就是知道却更为比如说大原始数据。在此之前，大量的原始数据掌握在为数众多数以百计万的附属医院手当中，不太可能公共计安全高效地分享，而各自的本地原始数据又不易符合机器进修的深受训。

针对这一不可或缺问题，莱比锡大学时的 Joachim Schultze 和他的合作伙伴提不止了一种名为 Swarm Learning（群进修）的去当中心化机器进修该系统，替换了理论上包涵政府机构临床社会科学时研究当中集当中原始数据分享的方例。Swarm Learning 通过 Swarm 的网络分享数值，再行在各个客运站的本地原始数据上独立各地区框架三维，并来进行区块链运用以对试图毁坏 Swarm 的网络的无中生有自发性采取强有力的政策。

Swarm learning 的框架

一、比的政府进修更为公共计安全，SL可公共利益诊疗原始数据分享

精准诊疗的目的是能短时间内吻合地验证不止忧郁症比较严重营养不良和异质其职能营养不良的患者，而机器进修最大限度付诸这一目的，例如根据患者的血浆基因表达分组原始数据来识别是不是忧郁症脑癌。然而，运用以到也就是知道还普遍存在很多不可或缺问题。

基于人工终端（AI）的营养不良诊疗例则，并不一定上不仅比如说适当的解例，更为比如说大型深受训原始数据集。由于临床原始数据本身是大部分的，附属医院本地的原始花销不一定难于深受训不止精确的线其职能该系统。因此，根据诊疗原始数据框架不止的三维，仅能彻底解决本地不可或缺问题。

从人工终端并不一定，将各地诊疗原始数据展开集当中检视是更为好的可选择，但这普遍存在不易避免的缺陷。以外原始数据每秒不可或缺问题，以及对原始数据转让、规避其职能、人身安全其职能、公共计安全其职能和原始数据垄断等情况的担忧。

因此，须要更为有效、吻合、高效的彻底解决方案，并且能够在人身安全和理性各个方面付诸规避促请，还要展开公共计安全和容错设计。

的政府进修例则（Federated Learning）彻底解决了其当中的一些不可或缺问题。原始数据保普遍存在原始数据政府机构者本地，规避其职能不可或缺问题获取彻底解决，但数值设置仍要当机关密切合作年起密切合作。此外，这种人口为120人架构提高了容错意志力。

远比于已比较风行的的政府进修例则，更为好的可选择是采取显然去当中心化的人工终端彻底解决方案，即SL来克服早方案的不足，适应临床应用固有的大部分式原始数据骨架以及原始数据人身安全和公共计安全例规的促请。

SL有着以下占优势：（1）将大量诊疗原始数据留存至原始数据政府机构者本地；（2）不须要互换原始原始数据，从而减少原始数据每秒；（3）获取高级别的原始数据公共计安全公共利益；（4）能够必要的网络当中成年起的公共计安全、乳白色和不理性加入，不再行须要当机关签订协议年起；（5）无需数值原属，付诸所有成年起权力都为；（6）可以确保机器进修三维免深受攻击。

从概念上讲，如果本地有够大的原始数据和测算机交通设施，机器进修就可以在本地展开。

对比几种机器进修例则，社会科学时研究其他部门发现，基于云的机器进修（Central Learning）时会转化成原始数据集当中移动，可用以深受训的原始花销大大减小，远比于原始数据和测算在不涉及场所的Local Learnling例则，机器进修的结果获取强化，但普遍存在原始数据反复、原始数据每秒减小以及原始数据人身安全、原始数据公共计安全等各个方面的不可或缺问题。的政府进修例则应用于公用数值服务器负责聚合和派送，其他当机关骨架仍被保留。SL，省去公用服务器，通过Swarm的网络分享数值，并且在各个端口的公用原始数据上独立各地区框架三维。

四种机器进修例则比较

SL获取公共计安全政策以支持原始数据主权，这由私人许可的区块链运用以付诸。每个自发性都有明确的度量，只有可先授权许可的自发性才可以执行融资。原先端口加入是动态的，有适当的授权政策来识别的网络自发性。新端口通过区块链终端续约持有人，获取三维，并执行三维的本地深受训，知道符合度量的联动前提。接下来，三维数值通过Swarm运用以程序编程接口（API）展开互换，并开始下一轮，原属成立一个有着更为新数值设置的更为新三维。

在每个端口，SL包含当中间件和运用以层。运用以环境以外机器进修和平台、区块链和SLL。运用以层则包含三维，例如比对来自脑癌、心脏病反应和COVID-19患者的血浆基因表达分组原始数据或辐射影像等获取的三维骨架。

二、小团体进修，源于纯净的原型

三、深受训取样减少50%时，SL公共计安全其职能仍更为优

社会科学时研究共计展览品了四个与此涉及：

与此涉及一是，应用于12000多位患者的外周血单个核反应细胞（PBMC）基因表达分组原始数据构成的三个原始数据集（A1-A3，以外两种类型的小分子和RNA化学时合成），以及默认设置的年终深度中枢神经系统的网络解例来展开试验。

针对每个真实世界仿佛，取样被分为不反复的深受训原始数据集和一个1]试验原始数据集，用以试验在单个端口上SL建立的三维。深受训原始数据集以相同的产于方例被“隔离”在每个Swarm端口上，来模拟临床诊疗上的涉及仿佛。

急其职能髓细胞脑癌（AML）患者的取样作为病例（cases），其他所有取样作为IgG（controls）。模拟当中的每个端口，都可以值得一提的是一个诊疗当中心、一个医院的网络、一个各地区或任何其他独立各地区的一个分组织，这些一个分组织时会转化成有人身安全促请的本地诊疗原始数据。

SL验证脑癌

首先，把病例和IgG不表面的产于到端口（原始数据集A2）和端口上，发现SL结果比不上单个端口的公共计安全其职能。在这种前提，当中心三维的观感仅近于好于SL。应用于原始数据集A1和A3试验举例来知道有十分相近的结果，这强烈支持了SL公共计安全其职能的减少跟原始数据得来或者原始数据降解运用以（小分子或RNA化学时合成）无关的论据。

另外五个仿佛举例来知道在原始数据集A1-A3上展开了试验：（1）在试验端口应用于表面产于的取样，其病例和IgG数量与第一个仿佛当中的相近；（2）应用于表面产于的取样，但将来自特定临床社会科学时研究的取样分开，使深受训端口和端口密切关系有相同的病例和IgG数量：（3）减小每个深受训端口的取样一般来知道；（4）在公用深受训端口应用于相同运用以降解的依附取样；（5）应用于相同的RNA-seq运用以。在这些仿佛当中，SL的观感都比不上单端口公共计安全其职能，并且相对于或者和当中心三维公共计安全其职能相同。

急其职能上皮细胞脑癌（ALL）患者的取样举例来知道在这几个仿佛下展开了试验，将诊疗范围构建至以四种脑癌类型大多的多类不可或缺问题。

与此涉及二是，用SL从血浆基因表达分组原始数据当中识别心脏病反应患者。

基于心脏病反应取样，将病例和IgG数量表面产于在各端口当中。近期，在这些前提下，SL的公共计安全其职能比不上单端口公共计安全其职能，并且观感近于好于当机关三维。社会科学时研究仅对活动其职能心脏病反应展开诊疗。将潜伏感染的心脏病反应患者作为IgG，取样和IgG保持表面产于，但减少用以深受训的取样总数。在这些凸显单打独斗其职能的前提下，虽然SL主体公共计安全其职能难免上升，但是SL公共计安全其职能即便如此比不上任何单端口公共计安全其职能。

深受训取样减少50%时，SL即便如此比不上单端口公共计安全其职能，不过这时单端口和SL公共计安全其职能都比较低。然而与一般前提下的观察结果一致，SL公共计安全其职能与当中心三维比较相对于：深受训原始数据减小时人工终端的观感更为好。将三个端口的深受训原始数据分为六个较少端口时时会提高每个端口的公共计安全其职能，但是来进行SL转化成的结果并未每况愈下。

SL验证心脏病反应

由于心脏病反应有着区域内其职能特点，心脏病反应取样可以用来模拟潜在爆发的仿佛，以便相符SL的占优势和潜在限制，进而社会科学时研究相符如何彻底解决这些不可或缺问题。

由端口模拟的三个独立各地区区域内之后有够大的但相同总数的病例取样，在这种前提，SL的结果差不多和之后未什么变化。而与此涉及和IgG最少的端口公共计安全其职能相比上升。试验端口的与此涉及数量提高导致端口公共计安全其职能每况愈下。

与此涉及三是，应用于一个大型的公开脸部X射线影像原始数据集来彻底解决多类分析不可或缺问题。SL在分析所有辐射学时发现（肺积水、渗不止、常为和无发现）各个方面比不上每个端口的公共计安全其职能，这说明SL也限于于非基因表达分组原始数据应用。

与此涉及四，争论了SL是不是可以用以验证COVID-19患者。虽然不一定COVID-19是应用于基于PCR的验证例则来验证病毒RNA。但在菌株不易相符、特定菌株验证尚不不太可能、原有验证不太可能转化成实为阴其职能结果等前提，评估特定宿主反应不太可能是有益的，而社会科学时研究血浆基因表达分组最大限度了解宿主的病原体。

SL验证COVID-19

译者通过在欧洲招募更为多的诊疗当中心来获取原始数据，这些当中心在岁数、其职能别和掌控营养不良的层面上有相同的患者产于，由此降解了八个分开特定当机关子原始数据集。

SL可以应对其职能别、岁数或双重感染等偏差，并在区分轻度和重度COVID-19患者时，SL的观感比不上单端口公共计安全其职能。迹象说明，来自COVID-19患者的血浆基因表达分组值得一提的是了一个可以运用以SL的特定应用。

四、SL前途广阔，减缓全世界精准诊疗协同工作

随着各方都在关注如何进一步提高原始数据人身安全和公共计安全不可或缺问题以及减少原始数据每秒和反复，去当中心化的原始数据三维将成为检视、存储、政府机构和比对任何类型的大型诊疗原始数据集的首选例则。

在在学时各个方面，基于机器进修的验证、亚型比对和结果分析都取得了阶段其职能尝试，但是其进展深受到原始数据集覆盖面极少的妨碍，在此之前的人身安全例规使得开发集当中式人工终端该系统的吸引力提高。

SL作为一种去当中心化的进修该系统，替换了理论上包涵政府机构临床社会科学时研究当中原始数据分享的范式。

对于试图毁坏Swarm的网络的人，SL的区块链运用以获取了强有力的应对政策。SL通过设计获取了规避的机器进修，可以继承二阶人身安全解例、线性SSL或SSL公用进修例则各个方面的新进展。

全世界协同工作和原始数据分享十分不可或缺，并且SL在这两个各个方面普遍存在固有占优势，并且更为大的占优势是不须要原始数据分享而直接转化成专业知识分享，从而付诸显然原始数据规避前提下的全世界协同工作。

事实上，立例者重申的人身安全规则在牵涉到大覆盖面风行病时显然限于。在在此类恐慌当中，人工终端该系统须要严守理性准则并且尊重人权。像SL这样的该系统——无需不理性、乳白色和被高度政府机构的分享原始数据比对同时确保原始数据人身安全——将深受到瞩目。

社会科学时研究其他部门认为应该探索SL根据X射线影像或CT成像结果、程式设计健康纪录原始数据或者来自于营养不良的可穿戴设备原始数据，来对COVID-19展开基于影像的诊疗。

SL用以基因表达分组学时（或其他临床原始数据）比对是十分有前途的例则，可以在临床应用的提倡人工终端的应用于，同时减少原始数据规避其职能、人身安全和原始数据确保层面，以及减少原始数据每秒。

五、全世界疫情背景下，期待SL依赖于

这篇社会科学时研究证明了SL的公共计安全其职能的精确其职能。在全世界疫情仍然持续的前提，病毒急剧转化成原先变种，对于各国附属医院都是一种单打独斗。如果来进行SL运用以在原始数据规避的前提对全世界涉及的诊疗原始数据展开拆分比对，更为快诊疗病情，不太可能对掌控疫情时会有不可或缺帮助。

原始数据是人工终端的发展的血浆，但是原始数据人身安全公共计安全的不可或缺问题愈加凸显。我们之后了解到的政府进修运用以能让原始数据在脱敏的前提被检视比对，现在，SL成为一种新例则。它将通过产于式检视方例，为原始数据公共计安全运用以及人工智由此可知业的的发展带来原先原动力。

Schultze 执着他们的社会科学时社会科学时研究将时会对全世界范围的诊疗原始数据分享转化成革新。「我相信 Swarm Learning 可以极大地倡议临床社会科学时研究和其他原始数据驱动的学时门。在此之前的社会科学时研究只是一次试验性。未来，我们决意将这项运用以运用以应用阿尔茨海默氏症和其他中枢神经系统衰弱其职能营养不良。」

惠普人工终端首席运用以其职兼高级公司总裁 Eng Lim Goh 博士也指出：「Swarm Learning 为临床社会科学时研究和零售合作开辟了原先机时会。不可或缺是所有自发性都可以相互间进修，而不必分享机密原始数据。」

上述内容来自机器之心，智东西等