Nature封面：人工智能AI新启发式！跨越医疗数据隐私问题进行学习

6月15日消息，建模教育领域一新十分困难又一次重回国际学术期刊《共存》（Nature）封面。

族群智能化受蚁群、蜂群这类社不会性类动物的行为借鉴而来，可常用数据分析电视转播、民主选举等活动的结果。但它还可以做到更为多。比如，在不违反个人隐私法的但不会将来自当今世界的照护样本透过整合，以便较慢速可靠地打印中风致使传染病的病人。

最近，瑞士慕尼黑大学的研究工作医护人员共同惠普公司以及来自马其顿、丹麦、瑞士的多家研究工作机构，共同合作开发了一种将边缘计算、基于区块链的对等在线结合起来的高度集中式认知科学作法——「Swarm Learning」（族群进修，SL），可以从高度集中存储设备的样本之中打印显露多种传染病，有利于较慢当今世界各地区的精准照护协同工作，能常用并不相同照护机构错综复杂样本的整合

研究工作医护人员基于1.64万份体内核孙子糖体第三组和9.5万份颈部X射线图片样本，常用SL为脑癌、结核孙子病和肺部传染病、COVID-19合作开发传染病打印权重，推断显露SL在满足未公开规范的同时很低单个照护机构合作开发的权重。迭代定位显露患病生物体的正确地率，在体内核孙子糖体第三组样本集之中多于为90%，在X射线图片样本集之中乏善可陈为76%-86%。

研究工作成果于5月27日以 Swarm Learning for decentralized and confidential clinical machine learning 为题发表文章在时尚杂志 Nature 上，并重回了最近一期的时尚杂志封面。

专著链接：

较慢速可靠地打印中风致使传染病的病人是精准照护的主要前提，而 AI 可以很好地除此以外。但由于个人隐私法的庇护所，高效率上的可行和实施上的亦非错综复杂依赖于着巨大的贫富差距。虽然 AI 方法论只不过上意味著须要的迭代，但实际却更为意味著大样本。在此之前，大量的样本掌握在世界各地数以千计万的照护机构手之中，很难安全和高效地共享者，而各自的本地样本又较难满足建模的特训。

针对这一疑问，慕尼黑大学的 Joachim Schultze 和他的合作提显露了一种名为 Swarm Learning（群进修）的去之区域内化建模系统对，转用了当前跨机构流行病学工作之中集之中样本共享者的方法。Swarm Learning 通过 Swarm 在线共享者模板，再在各个站点的本地样本上分立构建数学方法，并利用区块链高效率对尝试破坏 Swarm 在线的不诚实发起者作出强有力的措施。

Swarm learning 的方法论

一、比联邦进修更为安全和，SL可保障照护样本共享者

精准照护的前提是能较慢速正确地地打印显露中风致使传染病和异质性传染病的病人，而建模有利于意味着这一前提，例如根据病人的体内核孙子糖体第三组样本来定位确实中风脑癌。然而，广泛应用到实际还依赖于很多疑问。

基于认知科学（AI）的传染病病症作法，只不过上不仅意味著须要的迭代，更为意味著大型特训样本集。由于医学样本本身是高度集中的，照护机构本地的花销上会不足以特训显露可靠的权重。因此，根据照护样本构建显露的数学方法，仅能彻底解决本地疑问。

从认知科学角度，将各地照护样本透过集之中彻底解决问题是更为好的必需，但这依赖于较难避免的缺陷。还包括样本容量疑问，以及对样本所有权、可用性、个人隐私性、为副容性和样本垄断等情况的担忧。

因此，无需更为有效、正确地、高效的方法论，并且都能在个人隐私和观念各个方面意味着未公开促请，还要透过安全和和容错所设计。

联邦进修作法（Federated Learning）彻底解决了其之中的一些疑问。样本保有在样本所有者本地，可用性疑问取得彻底解决，但模板设置仍要之的中央协调员协调。此外，这种星型架构增大了容错能力。

远比于已比较流行的联邦进修作法，更为好的必需是作出只不过去之区域内化的认知科学方法论，即SL来彻底解决问题已有方案的不足，考虑到医学教育领域固有的高度集中式样本结构所设计以及样本个人隐私和安全和法规的促请。

SL带有以下竞争者：（1）将大量照护样本保有至样本所有者本地；（2）不无需反之亦然原始样本，从而减小样本容量；（3）共享高级别的样本安全和保障；（4）都能保证在线之中成员的安全和、透明和公平自第三组，以后无需之的中央托管员；（5）允许模板合并，意味着所有成员权力均等；（6）可以庇护所建模数学方法免受拦截。

从种概念上讲，如果本地有足够的样本和计算机基础设施，建模就可以在本地透过。

对比几种建模作法，研究工作医护人员推断显露，基于云的建模（Central Learning）不会产生样本集之中漂移，可常用特训的花销大大增加，远比于样本和计算在不系统对性地点的Local Learnling作法，建模的结果取得改善，但依赖于样本重复使用、样本容量增加以及样本个人隐私、样本安全和等各个方面的疑问。联邦进修作法常用除此以外模板服务器负责催化和分发，其他之的中央结构所设计仍被存留。SL，省去除此以外服务器，通过Swarm在线共享者模板，并且在各个终端的私有样本上分立构建数学方法。

四种建模作法比较

SL共享安全和措施以赞成样本主权，这由私人专利权的区块链高效率意味着。每个发起者都有明确的表述，只有预先批准后专利权的发起者才可以执行交易。一新终端自第三组是动态的，有须要的批准后措施来定位在线发起者。一新终端通过区块链智能化合约申请人，获取数学方法，并执行数学方法的本地特训，知道满足表述的并行状况。接下来，数学方法模板通过Swarm广泛应用程序编程接口（API）透过反之亦然，并开始下一轮，合并创建一个带有更为一新模板设置的更为一新数学方法。

在每个终端，SL分为之中间件和广泛OSI。广泛应用环境还包括建模平台、区块链和SLL。广泛OSI则包含数学方法，例如量化来自脑癌、结核孙子病和COVID-19病人的体内核孙子糖体第三组样本或放射影像等取得的数学方法结构所设计。

二、族群进修，叫作共存的素材

三、特训采样减小50%时，SL机动性仍更为优

研究工作共展示了四个情形：

情形一是，常用12000多位病人的外周血单个核孙子细胞（PBMC）核孙子糖体第三组样本构成的三个样本集（A1-A3，还包括两种并不一定的微阵列和RNA核孙子酸），以及默认设置的不间断广度神经元在线迭代来透过测试者。

针对每个真实世界情景，采样被分成不重复使用的特训样本集和一个全局测试者样本集，常用测试者在单个终端上SL建立的数学方法。特训样本集以并不相同的分布方法被“受控”在每个Swarm终端上，来仿真临床照护上的系统对性情景。

急性髓细胞脑癌（AML）病人的采样作为确诊（cases），其他所有采样作为实验第三组（controls）。仿真之中的每个终端，都可以推选一个照护之区域内、一个医院在线、一个国家或任何其他分立的第三组织，这些第三组织不会产生有个人隐私促请的本地照护样本。

SL打印脑癌

首先，把确诊和实验第三组不均匀的分布到终端（样本集A2）和终端上，推断显露SL结果很低单个终端的机动性。在这种但不会，之区域内数学方法的乏善可陈仅略低好于SL。常用样本集A1和A3测试者举例来说有极其雷同的结果，这强烈赞成了SL机动性的减少跟样本收集或者样本分解成高效率（微阵列或RNA核孙子酸）无关的只不过。

另外五个情景举例来说在样本集A1-A3上透过了测试者：（1）在测试者终端常用均匀分布的采样，其确诊和实验第三组比例与第一个情景之中的雷同；（2）常用均匀分布的采样，但将来自特定流行病学工作的采样分开，使特训终端和终端错综复杂有并不相同的确诊和实验第三组比例：（3）增加每个特训终端的采样大小；（4）在除此以外特训终端常用并不相同高效率分解成的弱小采样；（5）常用并不相同的RNA-seq高效率。在这些情景之中，SL的乏善可陈都很低单终端机动性，并且接近或者和之区域内数学方法机动性相同。

急性淋巴细胞脑癌（ALL）病人的采样举例来说在这几个情景下透过了测试者，将病症范围扩展至以四种脑癌并不一定为主的多类疑问。

情形二是，用SL从体内核孙子糖体第三组样本之中定位结核孙子病病人。

基于结核孙子病采样，将确诊和实验第三组比例均匀分布在各终端之中。结果显示，在这些状况下，SL的机动性很低单终端机动性，并且乏善可陈略低好于之的中央数学方法。研究工作仅对各种因素结核孙子病透过病症。将躲藏在病毒感染的结核孙子病病人作为实验第三组，采样和实验第三组保持均匀分布，但减小常用特训的采样需求量。在这些更为具挑战性的状况下，虽然SL整体机动性有所下降，但是SL机动性无论如何很低任何单终端机动性。

特训采样减小50%时，SL无论如何很低单终端机动性，不过这时单终端和SL机动性都比较低。然而与一般状况下的观察结果一致，SL机动性与之区域内数学方法比较接近：特训样本增加时认知科学的乏善可陈更为好。将三个终端的特训样本分成六个较小终端不会增大每个终端的机动性，但是利用SL产生的结果并不不会很差。

SL打印结核孙子病

由于结核孙子病带有政府第三组织特征，结核孙子病采样可以用来仿真潜在发动的情景，以便考虑到SL的竞争者和潜在限制，进而研究工作考虑到如何彻底解决这些疑问。

由终端仿真的三个分立地带之前有足够的但并不相同需求量的确诊采样，在这种但不会，SL的结果大部分和之前不不会什么波动。而情形和实验第三组多于的终端机动性明显下降。测试者终端的情形比例增大导致终端机动性很差。

情形三是，常用一个大型的公开颈部X射线图片样本集来彻底解决多类数据分析疑问。SL在数据分析所有放射学推断显露（肺渗漏、渗显露、显现出来和无推断显露）各个方面很低每个终端的机动性，这说明了SL也适常用非核孙子糖体第三组样本教育领域。

情形四，咨询了SL确实可以常用打印COVID-19病人。虽然上会COVID-19是常用基于PCR的打印作法来打印病毒RNA。但在病原体未知、特定病原体打印尚不也许、现有打印也许产生假阴性结果等但不会，评估特定宿主反应也许是有益的，而研究工作体内核孙子糖体第三组有利于探究宿主的突变。

SL打印COVID-19

原作者通过在欧洲招募更为多的照护之区域内来获取样本，这些之区域内在年长、双性恋和控制传染病的高度上有并不相同的病人分布，由此分解成了八个基本上特定之的中央孙子样本集。

SL可以促使双性恋、年长或双重病毒感染等偏差，并在区分轻度和重度COVID-19病人时，SL的乏善可陈很低单终端机动性。论据说明了，来自COVID-19病人的体内核孙子糖体第三组推选了一个可以广泛应用SL的特定教育领域。

四、SL前景广阔，较慢当今世界精准照护协同工作

随着各方都在关注如何遏制样本个人隐私和安全和疑问以及减小样本容量和重复使用，去之区域内化的样本数学方法将成彻底解决问题、存储设备、管理机构和量化任何并不一定的大型照护样本集的首选作法。

特别是在学各个方面，基于建模的打印、变异量化和结果数据分析都取得了阶段性急于，但是其十分困难受到样本集规模依赖于的顾虑，在此之前的个人隐私法规使得合作开发集之中式认知科学系统对的吸引力增大。

SL作为一种去之区域内化的进修系统对，转用了当前跨机构流行病学工作之中样本共享者的认识论。

对于尝试破坏Swarm在线的人，SL的区块链高效率共享了强有力的促使措施。SL通过所设计共享了未公开的建模，可以让位差分个人隐私迭代、变量加密迭代或加密迭代除此以外进修作法各个方面的一新十分困难。

当今世界协同工作和样本共享者极其重要，并且SL在这两个各个方面依赖于固有竞争者，并且更为大的竞争者是不无需样本共享者而直接转化成知识共享者，从而意味着只不过样本未公开状况下的当今世界协同工作。

事实上，行政官员强调的个人隐私规章在发生大规模流行病时只不过适用。特别是在此类危机之中，认知科学系统对无需遵守观念规范并且竭尽所能。像SL这样的系统对——允许公平、透明和被倾斜度监管的共享者花销化同时庇护所样本个人隐私——将受到垂青。

研究工作医护人员认为无论如何探究SL根据X射线图片或CT打印结果、结构所设计化心理健康记事样本或者来自于传染病的可衣著设备样本，来对COVID-19透过基于图片的病症。

SL常用核孙子糖体第三组学（或其他医学样本）量化是极其有前途的作法，可以在医学教育领域的推广认知科学的常用，同时减少样本可用性、个人隐私和样本庇护所高度，以及减小样本容量。

五、当今世界非典着重下，期待SL意味著

这篇研究工作证明了SL的机动性的可靠性。在当今世界非典一直持续的但不会，病毒不断产生一新变种，对于各国照护机构都是一种挑战。如果利用SL高效率在样本未公开的但不会对当今世界系统对性的照护样本透过整合量化，更为较慢病症病情，也许对控制非典不会有重要帮助。

样本是认知科学发展的体内，但是样本个人隐私安全和的疑问日益凸显。我们之前获知联邦进修高效率能让样本在脱敏的但不会被彻底解决问题量化，现在，SL成一种一新作法。它将通过分布式彻底解决问题方法，为样本安全和广泛应用及认知科学行业的发展带来一新随之而来。

Schultze 坚信他们的研究工作成果将不会对当今世界各地区的照护样本共享者产生革一新。「我相信 Swarm Learning 可以极大地推动流行病学工作和其他样本马达的学科。在此之前的研究工作只是一次试运行。期望，我们想将这项高效率应常用阿尔茨海默氏症和其他神经元衰退性传染病。」

惠普认知科学执行官高效率官为副高级副总裁 Eng Lim Goh 芝加哥大学也暗示：「Swarm Learning 为流行病学工作和商业合作开辟了一新机不会。关键是所有发起者都可以彼此之间进修，而不用共享者机密样本。」

上述内容来自机器自是，智东西等