Nature封面：人工智能AI新算法！穿越医疗数据隐私问题进行学习

6月15日消息，的设备精研习应用取而代之成效又一次推上全球性精研术期刊《自然》（Nature）封面。

社会普遍性终端受异种、蜂群这类社会普遍性动物的举动借鉴而来，可应用于得出结论体育赛事、投票选举等活动的结果。但它还可以做到比较多。比如，在不违反个人资料法律条文的情形将来自全世界的医疗卫生样品同步进举动基础，以便快速可靠地验证身患不堪重负癌症的症状。

值得注意，德国柏林洪堡大精研的科学研究工作人技工联合惠普公司以及来自希腊、荷兰、德国的多家科学研究机构，共同开发了一种将边缘计算、基于区块链的对等网络服务结合好像的密集式计算机种系统方法律条文有——「Swarm Learning」（社会普遍性精研习，SL），可以从密集存储器的样品里验证单单多种癌症，比较进一步加速全世界各地区的精准医疗卫生协作，能应用于并不相同院所中间样品的为基础

科学研究工作人技工基于1.64万份体内酪氨酸组成技工和9.5万份胸部X射线图片样品，采用SL为乳腺癌、罹患和肺部癌症、COVID-19开发癌症验证均值，辨认出SL在意味着审核规范的同时要强单个院所开发的均值。迭代律条文辨识单单患病个体的恰当率，在体内酪氨酸组成技工样品集里平均为90%，在X射线图片样品集里发挥为76%-86%。

科学研究者于5月27日以 Swarm Learning for decentralized and confidential clinical machine learning 为题发表在时代周刊 Nature 上，并推上了最取而代之一期的时代周刊封面。

论文客户端：

快速可靠地验证身患不堪重负癌症的症状是精准医疗卫生的主要尽有可能，而 AI 可以比较好地基本功能。但由于个人资料法律条文的人身安全，取而代之技术上的可行和实施上的能行中间实际上着前所未有的差别。虽然 AI 补救方案本质上具体来说相应的迭代律条文，但实际却比较具体来说大样品。迄今，大量的样品受制于在欧美成百上千万的院所手里，很难安全高效地共享，而各自的本地样品又容易意味着的设备精研习的锻炼。

针对这一疑问，柏林洪堡大精研的 Joachim Schultze 和他的合作伙伴提单单了一种名为 Swarm Learning（群精研习）的去教育里心化的设备精研习种系统，改用了意味着衔接机构医精研科学研究里集里样品共享的形式。Swarm Learning 通过 Swarm 网络服务共享值，再在各个站点的本地样品上单一协作数学方法，并能用区块链取而代之技术对企图摧残 Swarm 网络服务的暗指举例来说采行强有力的政策。

Swarm learning 的框架

一、比州政府精研习比较安全，SL可应有医疗卫生样品共享

精准医疗卫生的尽有可能是能快速恰当地验证单单身患不堪重负癌症和异质普遍性癌症的症状，而的设备精研习比较进一步解决问题这一尽有可能，例如根据病人的体内酪氨酸组成技工样品来辨识是否身患乳腺癌。然而，应用到实际还实际上很多疑问。

基于计算机种系统（AI）的癌症诊断方法律条文有，本质上不仅具体来说相应的迭代律条文，比较具体来说大型锻炼样品集。由于医精研样品本身是密集的，院所本地的样品量通常不足以锻炼单单可靠的均值。因此，根据医疗卫生样品协作单单的数学方法，仅能补救本地疑问。

从计算机种系统角度，将各地医疗卫生样品同步进行集里处置是比较好的考虑，但这实际上容易避免的缺失。仅限于样品每秒钟疑问，以及对样品所有权、移动普遍性、个人资料普遍性、安全普遍性和样品垄断等情况的担忧。

因此，需比较有效、恰当、高效的补救方案，并且很难在个人资料和伦理道德多方面解决问题审核要求，还要同步进行安全和容错设计者。

州政府精研习方法律条文有（Federated Learning）补救了其里的一些疑问。样品保有在样品采用权本地，移动普遍性疑问受益补救，但值设置仍要里央协商技工协商。此外，这种的单架构降高于了容错能力。

相对来说于已比较流行的州政府精研习方法律条文有，比较好的考虑是采行完全去教育里心化的计算机种系统补救方案，即SL来克服较早方案的不足，适应医精研应用固有的密集式样品结构以及样品个人资料和安全法律条文规的要求。

SL有着以下军事优势：（1）将大量医疗卫生样品保有至样品采用权本地；（2）不需绑定原始样品，从而减缓样品每秒钟；（3）提供低阶别的样品安全应有；（4）很难确保网络服务里成技工的安全、透明和不合理转至，不再需里央托管技工；（5）容许值重组成技工，解决问题所有成技工权力均等；（6）可以人身安全的设备精研习数学方法免受攻击。

从概念上谈论，如果本地有有限的样品和计算机公共设施，的设备精研习就可以在本地同步进行。

对比几种的设备精研习方法律条文有，科学研究工作人技工辨认出，基于云的的设备精研习（Central Learning）会造成样品集里移动，可应用于锻炼的样品量大大增高，相对来说于样品和计算在不方面地点的Local Learnling方法律条文有，的设备精研习的结果受益改善，但实际上样品反复、样品每秒钟增高以及样品个人资料、样品安全等多方面的疑问。州政府精研习方法律条文有采用基本功能值服务器负责生成和分发，其他里央结构仍被保留。SL，省去基本功能服务器，通过Swarm网络服务共享值，并且在各个终端的采用权样品上单一协作数学方法。

四种的设备精研习方法律条文有比较

SL提供安全政策以赞成样品主权，这由私人执照的区块链取而代之技术解决问题。每个举例来说都有确切的下定义，只有预先许可权执照的举例来说才可以拒绝执行买入。取而代之终端转至是动态的，有相应的许可权政策来辨识网络服务举例来说。取而代之终端通过区块链终端到期注册，获取数学方法，并拒绝执行数学方法的本地锻炼，告诉意味着下定义的同步条件。接下来，数学方法值通过Swarm应用软件编程API（API）同步进行绑定，并开始下一轮，重组成技工创建一个有着取而代之增值设置的取而代之增数学方法。

在每个终端，SL分为里间件和网关。应用环境仅限于的设备精研习和平台、区块链和SLL。网关则包含数学方法，例如深入研究来自乳腺癌、罹患和COVID-19症状的体内酪氨酸组成技工样品或点状幻灯片等受益的数学方法结构。

二、社会普遍性精研习，由此而来自然的灵感

三、锻炼样品减缓50%时，SL效率仍比较优

科学研究共展览品了四个案例：

案例一是，采用12000多位症状的外周血单个核线粒体（PBMC）酪氨酸组成技工样品构成的三个样品集（A1-A3，仅限于两种类型的微阵列和RNA测序），以及默认设置的连续深度神经网络服务迭代律条文来同步进行验证。

针对每个真实世界一幕，样品被分别为不反复的锻炼样品集和一个全局验证样品集，应用于验证在单个终端上SL建立的数学方法。锻炼样品集以并不相同的分布形式被“隔离”在每个Swarm终端上，来建模医学医疗卫生上的方面一幕。

急普遍性滋养线粒体乳腺癌（AML）症状的样品作为病症（cases），其他所有样品作为比较少（controls）。建模里的每个终端，都可以代表一个医疗卫生教育里心、一个该医院网络服务、一个发达国家或任何其他单一的组成技工织，这些组成技工织会造成有个人资料要求的本地医疗卫生样品。

SL验证乳腺癌

首先，把病症和比较少不各向同性的分布到终端（样品集A2）和终端上，辨认出SL结果要强单个终端的效率。在这种情形，教育里心数学方法的发挥仅略好于SL。采用样品集A1和A3验证值得注意有比较相似的结果，这强烈赞成了SL效率的减高于跟样品得来或者样品生成取而代之技术（微阵列或RNA测序）比如说的观点。

另外五个一幕值得注意在样品集A1-A3上同步进行了验证：（1）在验证终端采用各向同性分布的样品，其病症和比较少比重与第一个一幕里的相似；（2）采用各向同性分布的样品，但将来自特定医学科专业学研究的样品分开，使锻炼终端和终端中间有并不相同的病症和比较少比重：（3）增高每个锻炼终端的样品大小；（4）在基本功能锻炼终端采用并不相同取而代之技术生成的孤立样品；（5）采用并不相同的RNA-seq取而代之技术。在这些一幕里，SL的发挥都要强单终端效率，并且接近或者和教育里心数学方法效率相同。

急普遍性淋巴线粒体乳腺癌（ALL）症状的样品值得注意在这几个一幕下同步进行了验证，将诊断范围扩展至以四种乳腺癌类型为主的多类疑问。

案例二是，用SL从体内酪氨酸组成技工样品里辨识罹患症状。

基于罹患样品，将病症和比较少比重各向同性分布在各终端里。结果显示，在这些条件下，SL的效率要强单终端效率，并且发挥略好于里央数学方法。科学研究仅对活动普遍性罹患同步进行诊断。将脱逃染病的罹患症状作为比较少，样品和比较少保持各向同性分布，但减缓应用于锻炼的样品数量。在这些比较具挑战普遍性的条件下，虽然SL总体效率有所下降，但是SL效率几乎要强任何单终端效率。

锻炼样品减缓50%时，SL几乎要强单终端效率，不过这时单终端和SL效率都比较高于。然而与一般条件下的观察结果明确，SL效率与教育里心数学方法比较接近：锻炼样品增高时计算机种系统的发挥比较好。将三个终端的锻炼样品分别为六个较小终端时会降高于每个终端的效率，但是能用SL造成的结果并没有欠佳。

SL验证罹患

由于罹患有着地方普遍性相似性，罹患样品可以用来建模潜在发动的情景，以便确定SL的军事优势和潜在限制，进而科学研究确定如何补救这些疑问。

由终端建模的三个单一区域并未有有限的但并不相同数量的病症样品，在这种情形，SL的结果几乎和以后没有什么转变。而案例和比较少总和的终端效率轻微下降。验证终端的案例比重降高于造成终端效率欠佳。

案例三是，采用一个大型的公开胸部X射线图片样品集来补救多类得出结论疑问。SL在得出结论所有点状精研辨认出（肺排水、渗单单、常为和无辨认出）多方面要强每个终端的效率，这说明了SL也适应用于非酪氨酸组成技工样品应用。

案例四，讨论了SL是否可以应用于验证COVID-19症状。虽然通常COVID-19是采用基于PCR的验证方法律条文有来验证大肠杆菌RNA。但在病原体确实、特定病原体验证尚为不有可能、原有验证有可能造成骗阴普遍性结果等情形，深入研究特定寄生物底物有可能是有益的，而科学研究体内酪氨酸组成技工比较进一步了解寄生物的免疫底物。

SL验证COVID-19

作者通过在东欧召募比较多的医疗卫生教育里心来获取样品，这些教育里心在年龄、男普遍性和掌控癌症的程度上有并不相同的症状分布，由此生成了八个单独特定里央子样品集。

SL可以快速底物男普遍性、年龄或双重染病等错误，并在区分轻度和重度COVID-19症状时，SL的发挥要强单终端效率。证据说明了，来自COVID-19症状的体内酪氨酸组成技工代表了一个可以应用SL的特定应用。

四、SL期望广阔，加速全世界精准医疗卫生协作

随着各方都在关注如何减高于样品个人资料和安全疑问以及减缓样品每秒钟和反复，去教育里心化的样品数学方法将带进处置、存储器、管理和深入研究任何类型的大型医疗卫生样品集的首选方法律条文有。

特别是在精研多方面，基于的设备精研习的验证、亚型深入研究和结果得出结论都拿下了阶段普遍性成功，但是其成效受到样品集覆盖面受限的阻碍，迄今的个人资料法律条文规使得开发集里式计算机种系统种系统的吸引力降高于。

SL作为一种去教育里心化的精研习种系统，改用了意味着衔接机构医精研科学研究里样品共享的范式。

对于企图摧残Swarm网络服务的人，SL的区块链取而代之技术提供了强有力的快速底物政策。SL通过设计者提供了审核的的设备精研习，可以后继者差分个人资料迭代律条文、函数SSL或SSL基本功能精研习方法律条文有多方面的取而代之成效。

全世界协作和样品共享比较重要，并且SL在这两个多方面实际上固有军事优势，并且比较大的军事优势是不需样品共享而直接转化成经验共享，从而解决问题完全样品审核条件下的全世界协作。

事实上，立法律条文者强调的个人资料规则在发生大覆盖面流行病时完全一般来说。特别是在此类困局里，计算机种系统种系统需服从伦理道德准则并且尊重人权。像SL这样的种系统——容许不合理、透明和被高度监管的共享样品深入研究同时人身安全样品个人资料——将受到青睐。

科学研究工作人技工并不认为应探索SL根据X射线图片或CT扫描结果、结构化健康记录样品或者来自于癌症的可穿戴设备样品，来对COVID-19同步进行基于图片的诊断。

SL应用于酪氨酸组成技工精研（或其他医精研样品）深入研究是比较有盼望的方法律条文有，可以在医精研应用的推广计算机种系统的采用，同时减高于样品移动普遍性、个人资料和样品人身安全程度，以及减缓样品每秒钟。

五、全世界登革热背景下，期待SL抑止

这篇科学研究说明了SL的效率的可靠普遍性。在全世界登革热一直长时间的情形，大肠杆菌大幅造成取而代之变种，对于各国院所都是一种挑战。如果能用SL取而代之技术在样品审核的情形对全世界方面的医疗卫生样品同步进举动基础深入研究，比较快诊断病情，有可能对掌控登革热会有重要帮助。

样品是计算机种系统蓬勃发展的体内，但是样品个人资料安全的疑问大为凸显单单。我们并未了解到州政府精研习取而代之技术能让样品在脱敏的情形被处置深入研究，现在，SL带进一种取而代之方法律条文有。它将通过分布式或多或少，为样品安全应用及计算机种系统零售业的蓬勃发展带来取而代之倡导力。

Schultze 坚信他们的科学研究者就会对全世界各地区的医疗卫生样品共享造成革取而代之。「我相信 Swarm Learning 可以极大地倡导医精研科学研究和其他样品驱动的精研科。迄今的科学研究只是一次试运行。愿景，我们有意将这项取而代之技术应应用于阿尔茨海默氏症和其他神经衰败普遍性癌症。」

惠普计算机种系统首席取而代之技术务兼任低阶总裁兼 Eng Lim Goh 芝加哥大学也说明：「Swarm Learning 为医精研科学研究和金融业合作开辟了取而代之机会。关键是所有举例来说都可以彼此之间精研习，而不必共享机密样品。」

上述内容来自的设备自是，智两边等