Nature封面：人工智能AI新算法！跨越医疗数据隐私情况进行学习

6月15日通告，机器进修课题新的演进又一次登上国际学术期刊《连续开放性》（Nature）标题。

族裔友能受食肉动物、蜂群这类社但会开放性动物的举动启迪而来，可用作预测体育赛事、投票表决等活动的结果。但它还可以做到愈来愈多。比如，在不有违个人信息具体方法的前提将来自世界开放性的医疗卫生数据资料顺利进行整合，以便快速速精确地检验罹患严重病症的病症。

最近，德国柏林洪堡大学的分析医护人经验丰富联合行动Google公司以及来自希腊、荷兰、德国的多家分析政府机构，密切协作了一种将内侧推算、基于区块链的对等互联网相辅相成起来的充分为了让式推算机分析方具体方法方具体方法——「Swarm Learning」（族裔进修，SL），可以从充分为了让读取的数据资料里面检验单单多种病症，有利于快速世界开放性范围内的精准医疗卫生协同工作，能用作相异医疗卫生政府机构密切关系数据资料的整合

分析医护人经验丰富基于1.64万份血液循环磷酸化一组和9.5万份胸部X射线图表数据资料，采用SL为脑癌、肺脏炎和肺脏部病症、COVID-19研发病症检验决策树，辨认单单SL在保证规避规范的同时强于单个医疗卫生政府机构研发的决策树。算具体方法辨认单单患病个体的恰当率，在血液循环磷酸化一组数据资料集里面大约为90%，在X射线图表数据资料集里面乏善可陈为76%-86%。

科学分析于5月27日以 Swarm Learning for decentralized and confidential clinical machine learning 为题发表在杂志 Nature 上，并登上了最新一期的杂志标题。

论文页面：

快速速精确地检验罹患严重病症的病症是精准医疗卫生的主要尽有可能，而 AI 可以很好地除此以外。但由于个人信息具体方法的受保护，电孙子技术上的可行和实施上的能行密切关系依赖于着巨大的差距。虽然 AI 克服建议本质上举例来说须要的算具体方法，但实际上却愈来愈举例来说大数据资料。现有，大量的数据资料驾驭在为数众多成百上千万的医疗卫生政府机构手里面，很难必需高效地相结合，而各自的本地数据资料又难于保证机器进修的锻炼。

针对这一疑问，柏林洪堡大学的 Joachim Schultze 和他的协作伙伴提单单了一种名为 Swarm Learning（群进修）的去教育里面心化机器进修系统，取而代之了当前跨越政府机构中医分析里面集里面数据资料相结合的手段。Swarm Learning 通过 Swarm 互联网相结合表达式，再在各个站点的本地数据资料上脱离相结合三维，并为了让区块链电孙子技术对试图摧毁 Swarm 互联网的不诚实大多数人实行强有力的新政策。

Swarm learning 的基本

一、比的政府进修愈来愈必需，SL可义务医疗卫生数据资料相结合

精准医疗卫生的尽有可能是能快速速恰当地检验单单罹患严重病症和系统开放性病症的病症，而机器进修有利于充分为了让这一尽有可能，例如根据病人的血液循环磷酸化一组数据资料来辨认是不是罹患脑癌。然而，系统设计到实际上还依赖于很多疑问。

基于推算机（AI）的病症病人分析方具体方法方具体方法，本质上不仅举例来说须要的算具体方法，愈来愈举例来说大型锻炼数据资料集。由于中医数据资料本身是充分为了让的，医疗卫生政府机构本地的数据资料量通常不足以锻炼单单精确的决策树。因此，根据医疗卫生数据资料相结合单单的三维，仅能克服本地疑问。

从推算机角度，将各地医疗卫生数据资料顺利进行集里面处理事件是愈来愈好的选项，但这依赖于难于避免的缺陷。仅限于数据资料量疑问，以及对数据资料所有权、规避开放性、个人信息开放性、必需开放性和数据资料垄断等情况的不安。

因此，必需愈来愈有效、恰当、高效的克服建议，并且只能在个人信息和道德特别充分为了让规避立即，还要顺利进行必需和容错设计。

的政府进修分析方具体方法方具体方法（Federated Learning）克服了其里面的一些疑问。数据资料存留在数据资料所有权本地，规避开放性疑问想得到克服，但表达式设置仍要里面央相互配合经验丰富相互配合。此外，这种星型架构下降了容错能力。

比起于已尤其流行的的政府进修分析方具体方法方具体方法，愈来愈好的选项是实行只不过去教育里面心化的推算机克服建议，即SL来克服才有建议的不足，适应中医课题固有的充分为了让式数据资料构造以及数据资料个人信息和必需具体方规章的立即。

SL具有以下战术上：（1）将大量医疗卫生数据资料存留至数据资料所有权本地；（2）可不需转换原始数据资料，从而减低数据资料量；（3）透过高级别的数据资料必需义务；（4）只能保证互联网里面的一有组织的必需、薄膜和应有自组，不再必需里面央托管经验丰富；（5）无需表达式合并，充分为了让所有的一有组织权力均等；（6）可以受保护机器进修三维尽量减少攻击。

从内涵上讲，如果本地有足够的数据资料和推算机基础设施，机器进修就可以在本地顺利进行。

对比几种机器进修分析方具体方法方具体方法，分析医护人经验丰富辨认单单，基于阳的机器进修（Central Learning）但会造成了数据资料集里面行进，可用作锻炼的数据资料量大大减小，比起于数据资料和推算在不之外地点的Local Learnling分析方具体方法方具体方法，机器进修的结果想得到强化，但依赖于数据资料每一次、数据资料量减小以及数据资料个人信息、数据资料必需等特别的疑问。的政府进修分析方具体方法方具体方法采用专用表达式链接负责生成和发放，其他里面央构造仍被保留。SL，再加专用链接，通过Swarm互联网相结合表达式，并且在各个端口的私有数据资料上脱离相结合三维。

四种机器进修分析方具体方法方具体方法尤其

SL透过必需新政策以支持数据资料主权，这由个人财产授权的区块链电孙子技术充分为了让。每个大多数人都有明确的假设，只有预先授权证授权的大多数人才可以继续执行交易。取而代之端口自组是自适应的，有须要的授权证新政策来辨认互联网大多数人。新端口通过区块链友能合约登记注册，给予三维，并继续执行三维的本地锻炼，发觉保证假设的同步前提。紧接著，三维表达式通过Swarm用户界面编程系统设计程序（API）顺利进行转换，并开始下一轮，合并创始一个具有愈来愈新表达式设置的愈来愈新三维。

在每个端口，SL分为里面间件和系统设计层。系统设计环境仅限于机器进修平台、区块链和SLL。系统设计层则包含三维，例如分析方具体方法来自脑癌、肺脏炎和COVID-19病症的血液循环磷酸化一组数据资料或辐射影像等想得到的三维构造。

二、族裔进修，是从连续开放性的灵感

三、锻炼检验减低50%时，SL开放性能指标仍愈来愈优

分析共展示了四个近来：

近来一是，采用12000多位病症的外周血单个核细胞（PBMC）磷酸化一组数据资料组成的三个数据资料集（A1-A3，仅限于两种各种类型的电泳和RNA测序），以及默认设置的连续深度建模算具体方法来顺利进行次测试。

针对每个真实世界过场，检验被分成不每一次的锻炼数据资料集和一个全局次测试数据资料集，用作次测试在单个端口上SL建立的三维。锻炼数据资料集以相异的产自手段被“隔离”在每个Swarm端口上，来模拟临床医疗卫生上的之外过场。

急开放性孙子叶细胞脑癌（AML）病症的检验作为病例（cases），其他所有检验作为检验（controls）。模拟里面的每个端口，都可以代表一个医疗卫生教育里面心、一个养老院互联网、一个国家或任何其他脱离的一有组织，这些一有组织但会造成了有个人信息立即的本地医疗卫生数据资料。

SL检验脑癌

首先，把病例和检验不均匀的产自到端口（数据资料集A2）和端口上，辨认单单SL结果强于单个端口的开放性能指标。在这种前提，教育里面心三维的乏善可陈仅略好于SL。采用数据资料集A1和A3次测试某种往往有相当相似的结果，这强烈支持了SL开放性能指标的减低跟数据资料得来或者数据资料分解成电孙子技术（电泳或RNA测序）无关的见解。

另外五个过场某种往往在数据资料集A1-A3上顺利进行了次测试：（1）在次测试端口采用均匀产自的检验，其病例和检验量与第一个过场里面的相似；（2）采用均匀产自的检验，但将来自特定临床分析的检验分开，使锻炼端口和端口密切关系有相异的病例和检验量：（3）减小每个锻炼端口的检验大小；（4）在专用锻炼端口采用相异电孙子技术分解成的长期以来检验；（5）采用相异的RNA-seq电孙子技术。在这些过场里面，SL的乏善可陈都强于单端口开放性能指标，并且近似于或者和教育里面心三维开放性能指标相同。

急开放性免疫细胞脑癌（ALL）病症的检验某种往往在这几个过场下顺利进行了次测试，将病人范围扩展至以四种脑癌各种类型为主的多类疑问。

近来二是，用SL从血液循环磷酸化一组数据资料里面辨认肺脏炎病症。

基于肺脏炎检验，将病例和检验量均匀产自在各端口里面。结果显示，在这些前提下，SL的开放性能指标强于单端口开放性能指标，并且乏善可陈略好于里面央三维。分析仅对相对来说肺脏炎顺利进行病人。将潜伏感染的肺脏炎病症作为检验，检验和检验保持稳定均匀产自，但减低用作锻炼的检验量。在这些愈来愈具过关斩将开放性的前提下，虽然SL整体开放性能指标有所攀升，但是SL开放性能指标无论如何强于任何单端口开放性能指标。

锻炼检验减低50%时，SL无论如何强于单端口开放性能指标，不过这时单端口和SL开放性能指标都尤其低。然而与一般前提下的推论结果一致，SL开放性能指标与教育里面心三维尤其近似于：锻炼数据资料减小时推算机的乏善可陈愈来愈好。将三个端口的锻炼数据资料分成六个较小端口时但会下降每个端口的开放性能指标，但是为了让SL造成了的结果并无法不好。

SL检验肺脏炎

由于肺脏炎具有地方开放性形态，肺脏炎检验可以用来模拟潜在结束的便是，以便断定SL的战术上和潜在限制，进而分析断定如何克服这些疑问。

由端口模拟的三个脱离区域并未有足够的但相异量的病例检验，在这种前提，SL的结果几乎和之前无法什么变化。而近来和检验最少的端口开放性能指标明显攀升。次测试端口的近来量下降导致端口开放性能指标不好。

近来三是，采用一个大型的官方胸部X射线图表数据资料集来克服多类预测疑问。SL在预测所有辐射学辨认单单（肺脏淤泥、渗单单、伴生和无辨认单单）特别强于每个端口的开放性能指标，这暗示SL也适用作非磷酸化一组数据资料课题。

近来四，讨论了SL是不是可以用作检验COVID-19病症。虽然通常COVID-19是采用基于PCR的检验分析方具体方法方具体方法来检验流感病毒RNA。但在细菌不得而知、特定细菌检验尚不有可能、现有检验有可能造成了假阴开放性结果等前提，评核特定病原体反应有可能是有益的，而分析血液循环磷酸化一组有利于了解病原体的免疫反应。

SL检验COVID-19

作者通过在欧洲招募愈来愈多的医疗卫生教育里面心来给予数据资料，这些教育里面心在比率、开放性别歧视和依靠病症的往往上有相异的病症产自，由此分解成了八个原则上特定里面央孙子数据资料集。

SL可以遏制开放性别歧视、比率或双重感染等偏离，并在界定轻度和重度COVID-19病症时，SL的乏善可陈强于单端口开放性能指标。证据暗示，来自COVID-19病症的血液循环磷酸化一组代表了一个可以系统设计SL的特定课题。

四、SL充满信心辽阔，快速世界开放性精准医疗卫生协同工作

随着各方都在追捧如何加强数据资料个人信息和必需疑问以及减低数据资料量和每一次，去教育里面心化的数据资料三维将成处理事件、读取、管理和分析方具体方法任何各种类型的大型医疗卫生数据资料集的首选分析方具体方法方具体方法。

特别是在病灶学特别，基于机器进修的病灶检验、亚型分析方具体方法和结果预测都取得了阶段开放性获得成功，但是其的演进受到数据资料集规模受限的阻碍，现有的个人信息具体方规章使得研发集里面式推算机系统的实用性下降。

SL作为一种去教育里面心化的进修系统，取而代之了当前跨越政府机构中医分析里面数据资料相结合的范式。

对于试图摧毁Swarm互联网的人，SL的区块链电孙子技术透过了强有力的遏制新政策。SL通过设计透过了规避的机器进修，可以传给差分个人信息算具体方法、算孙子加密方法或加密方法专用进修分析方具体方法方具体方法特别的新的演进。

世界开放性协同工作和数据资料相结合相当重要，并且SL在这两个特别依赖于固有战术上，并且愈来愈大的战术上是可不需数据资料相结合而直接转化成知识相结合，从而充分为了让只不过数据资料规避前提下的世界开放性协同工作。

事实上，立具体方法者强调的个人信息规则在引发大规模疟疾时只不过适用。特别是在此类危机里面，推算机系统必需履行道德法则并且尊重人权。像SL这样的系统——无需应有、薄膜和被行进开放性管控的相结合数据资料分析方具体方法同时受保护数据资料个人信息——将受到青睐。

分析医护人经验丰富认为应该冒险SL根据X射线图表或CT扫描结果、构造化健康记录数据资料或者来自于病症监视的可配戴电孙子元件数据资料，来对COVID-19顺利进行基于图表的病人。

SL用作磷酸化一组学（或其他中医数据资料）分析方具体方法是相当有去留的分析方具体方法方具体方法，可以在中医课题的推广推算机的采用，同时减低数据资料规避开放性、个人信息和数据资料受保护往往，以及减低数据资料量。

五、世界开放性SARS背景下，期待SL与此相反

这篇分析不可否认SL的开放性能指标的精确开放性。在世界开放性SARS一直不间断的前提，流感病毒迅速造成了取而代之品系，对于各国医疗卫生政府机构都是一种过关斩将。如果为了让SL电孙子技术在数据资料规避的前提对世界开放性之外的医疗卫生数据资料顺利进行整合分析方具体方法，愈来愈快速病人病痛，有可能对依靠SARS但会有重要帮助。

数据资料是推算机演进的血液循环，但是数据资料个人信息必需的疑问大为凸显。我们并未意识到的政府进修电孙子技术能让数据资料在脱敏的前提被处理事件分析方具体方法，那时候，SL成一种新分析方具体方法方具体方法。它将通过产自式处理事件手段，为数据资料必需系统设计及推算机产业的演进带来取而代之倡议力。

Schultze 坚称他们的科学分析将但会对世界开放性范围内的医疗卫生数据资料相结合造成了革新。「我无论如何 Swarm Learning 可以很大地倡议中医分析和其他数据资料驱动的学科。现有的分析只是一次调试。愈来愈进一步，我们有意将这项电孙子技术系统设计作阿尔茨海默氏症和其他神经衰微开放性病症。」

惠普推算机首席电孙子技术职兼高级副总裁 Eng Lim Goh 耶鲁大学也表示：「Swarm Learning 为中医分析和商业化协作开辟了取而代之机但会。决定开放性是所有大多数人都可以相互进修，而可不相结合机密数据资料。」

上述主旨来自机器之心，友刚才等