智慧医疗的发展推动了医疗数据的大规模应用,现有的医疗数据协作方法面临着数据隐私保护、模型性能优化和跨医疗机构间协作积极性差等问题,迫切需要革新与优化。提出基于蜂群学习的医疗数据协作方法(medical data collaboration based o...
详细信息
智慧医疗的发展推动了医疗数据的大规模应用,现有的医疗数据协作方法面临着数据隐私保护、模型性能优化和跨医疗机构间协作积极性差等问题,迫切需要革新与优化。提出基于蜂群学习的医疗数据协作方法(medical data collaboration based on swarm learning,MDC-SL),促进智慧医疗的发展;提出基于医疗数据定价的激励机制算法,根据参与方贡献度和本地模型质量进行定价,设置奖励币奖惩机制,以鼓励协作训练,可以使系统达到最优效用;提出蜂群学习动态模型聚合算法,通过控制聚合权重,使高质量模型在聚合中的贡献占比提高,可以提升训练模型的性能以及抵御投毒攻击的能力。此外,设计了基于本地化差分隐私的蜂群学习来防止模型参数传递过程中的数据泄露,增强医疗数据隐私保护。通过在医学数据集上进行实验,结果表明,该方法的模型性能比原蜂群学习更优,加入噪声导致的模型损失在预期范围之内,系统的平均奖励高于基线4.3百分点,从而验证了上述方法的有效性。
暂无评论