Nature封面：人工智能AI新算法！跨越医疗保健数据隐私问题进行学习

6年底15日死讯，方依此学教育领域另行进展又一次重登国际学术期刊《连续性》（Nature）写真。

群人体智能化受啮齿动物人、蜂群人这类非人类动物的行为深刻影响而来，可运用于假设体育赛事、投票选举等活动的结果。但它还可以明白更为多。比如，在不违反该软件依此的情况下将来自亚太地区的公共卫生数据库顺利完成整合，以便短时间速可靠地验证精神病严重传染病的病患者。

都只，荷兰波恩大学的数据分析部门倡议Google公司以及来自希腊、荷兰、荷兰的多家数据分析的机构，合作共同开发了一种将边缘计算、基于区块链的对等的网络结合好像的系统设计计算机系统化方依此有——「Swarm Learning」（群人体进修，SL），可以从分散涡轮器的数据库之前验证造出多种传染病，借以快速亚太地区范围内的精准公共卫生资源对等，能运用于多种不同公共卫生的机构错综复杂数据库的整合

数据分析部门基于1.64万份血液循环磷酸化小组和9.5万份脸部X射线缩放数据库，常用SL为脑癌、肺炎和肺部传染病、COVID-19共同开发传染病验证线性，挖掘造出SL在满足规避规范的同时要强单个公共卫生的机构共同开发的线性。演算依此识别造出病危幼体的直观度，在血液循环磷酸化小组数据库集之前平均为90%，在X射线缩放数据库集之前展示造出为76%-86%。

数据分析成果于5年底27日以 Swarm Learning for decentralized and confidential clinical machine learning 为题发表在杂志 Nature 上，并重登了最另行一期的杂志写真。

论文链接：

短时间速可靠地验证精神病严重传染病的病患者是精准公共卫生的主要并不需要，而 AI 可以良好地辅助。但由于该软件依此的维护，系统设计上的可行和实施上的而今错综复杂假定着巨大的差距。虽然 AI 应付方案表象上意味着前提的演算依此，但实际却更为意味着大数据库。现在，大量的数据库掌握在世界各地成百上千万的公共卫生的机构手之前，很难安全性高效地对等，而各自的本地数据库又较难满足方依此学的专业训练。

针对这一原因，波恩大学的 Joachim Schultze 和他的合作伙伴设想了一种取名 Swarm Learning（群人进修）的去之前心化方依此学系统，改用了这两项包涵的机构现代医学数据分析之前集之前数据库对等的方式。Swarm Learning 通过 Swarm 的网络对等模板，再在各个站点的本地数据库上独立构建基本本质，并来顺利完成区块链系统设计对力图摧残 Swarm 的网络的蓄意发起者回避强有力的保护措施。

Swarm learning 的框架

一、比合众国进修更为安全性，SL可保障公共卫生数据库对等

精准公共卫生的并不需要是能短时间速直观地验证造出精神病严重传染病和异质性传染病的病患者，而方依此学借以借助于这一并不需要，例如根据病患者的血液循环磷酸化小组数据库来识别有否精神病脑癌。然而，运用于到实际还假定很多原因。

基于计算机系统化（AI）的传染病病患方依此有，表象上不仅有意味着前提的演算依此，更为意味着大型专业训练数据库集。由于现代医学数据库本身是分散的，公共卫生的机构本地的数据库量一般来说太少以专业训练造出可靠的线性。因此，根据公共卫生数据库构建造出的基本本质，仅有能应付本地原因。

从计算机系统化角度，将各地公共卫生数据库顺利完成集之前解决问题是更为好的选择，但这假定较难避免的缺陷。以外数据库输水原因，以及对数据库所有权、规避性、该软件性、安全性性和数据库垄断性等情况的担忧。

因此，并不需要更为必需、直观、高效的应付方案，并且并不需要在该软件和伦理道德各个方面借助于规避促请，还要顺利完成安全性和容错外观设计。

合众国进修方依此有（Federated Learning）应付了其之前的一些原因。数据库保假定数据库所有者本地，规避性原因得不到应付，但模板设置仍要之前央协调正职协调。此外，这种星型架构增高了容错能力。

相比于已比较流行的合众国进修方依此有，更为好的选择是回避完全去之前心化的计算机系统化应付方案，即SL来克服已有方案的太少，适应现代医学教育领域固有的系统设计数据库构件以及数据库该软件和安全性依此规的促请。

SL具有以下绝对优势：（1）将大量公共卫生数据库复原至数据库所有者本地；（2）不并不需要交换数据流库，从而提高数据库输水；（3）给予低阶别的数据库安全性保障；（4）并不需要保证的网络之前成正职的安全性、表面和公平转至，不再并不需要之前央托管正职；（5）允许模板更名，借助于所有成正职权力均等；（6）可以维护方依此学基本本质免受攻击。

从本质上讲，如果本地有足够的数据库和计算机系统化公共服务，方依此学就可以在本地顺利完成。

对比几种方依此学方依此有，数据分析部门挖掘造出，基于云的方依此学（Central Learning）会消除数据库集之前飘移，可运用于专业训练的数据库量大大减小，相比于数据库和计算在不相关目的地的Local Learnling方依此有，方依此学的结果得不到更佳，但假定数据库段落、数据库输水减小以及数据库该软件、数据库安全性等各个方面的原因。合众国进修方依此有常用备有模板代理服务器负责聚合和发给，其他之前央构件仍被保持一致。SL，省去备有代理服务器，通过Swarm的网络对等模板，并且在各个链表的实质上数据库上独立构建基本本质。

四种方依此学方依此有比较

SL给予安全性保护措施以支持数据库主权，这由私人允许的区块链系统设计借助于。每个发起者都有明确的下定义，只有预先使用权允许的发起者才可以执行融资。取而代之链表转至是动态的，有前提的使用权保护措施来识别的网络发起者。另行链表通过区块链智能化合约注册，获取基本本质，并执行基本本质的本地专业训练，知道满足下定义的同步前提条件。接下来，基本本质模板通过Swarm运用于程序编程接口（API）顺利完成交换，并开始下一轮，更名创建一个具有更为另行模板设置的更为另行基本本质。

在每个链表，SL分为之前间件和ASP。运用于环境以外方依此学和平台、区块链和SLL。ASP则包含基本本质，例如量化来自脑癌、肺炎和COVID-19病患者的血液循环磷酸化小组数据库或放射线扫描等得不到的基本本质构件。

二、群人体进修，由此而来连续性的灵感

三、专业训练抽样提高50%时，SL效率仍更为优

数据分析共展示了四个个案：

个案一是，常用12000多位病患者的外周血单个核细胞（PBMC）磷酸化小组数据库构成的三个数据库集（A1-A3，以外两种多种类型的molecular和RNAPCR），以及默认设置的紧接著深度之前枢神经系统的网络演算依此来顺利完成测试。

针对每个现实生活情景，抽样被可分不段落的专业训练数据库集和一个全局测试数据库集，运用于测试在单个链表上SL构建的基本本质。专业训练数据库集以多种不同的分布方式被“隔离”在每个Swarm链表上，来三维诊疗公共卫生上的相关情景。

急性炎细胞脑癌（AML）病患者的抽样作为登革热（cases），其他所有抽样作为对照小组（controls）。三维之前的每个链表，都可以亦然一个公共卫生之前心、一个医院的网络、一个国家或任何其他独立的其小组织，这些其小组织会消除有该软件促请的本地公共卫生数据库。

SL验证脑癌

首先，把登革热和对照小组不分量的分布到链表（数据库集A2）和链表上，挖掘造出SL结果要强单个链表的效率。在这种情况下，之前心基本本质的展示造出仅有略好于SL。常用数据库集A1和A3测试值得注意有极其值得注意于的结果，这强烈支持了SL效率的减低跟数据库利用或者数据库转化成系统设计（molecular或RNAPCR）都是的观点。

另外五个情景值得注意在数据库集A1-A3上顺利完成了测试：（1）在测试链表常用分量分布的抽样，其登革热和对照小组%-与第一个情景之前的值得注意于；（2）常用分量分布的抽样，但将来自特定诊疗数据分析的抽样分开，使专业训练链表和链表错综复杂有多种不同的登革热和对照小组%-：（3）减小每个专业训练链表的抽样微小；（4）在备有专业训练链表常用多种不同系统设计转化成的孤立抽样；（5）常用多种不同的RNA-seq系统设计。在这些情景之前，SL的展示造出都要强单链表效率，并且差不多或者和之前心基本本质效率相同。

急性淋巴细胞脑癌（ALL）病患者的抽样值得注意在这几个情景下顺利完成了测试，将病患范围扩展至以四种脑癌多种类型为主的多类原因。

个案二是，用SL从血液循环磷酸化小组数据库之前识别肺炎病患者。

基于肺炎抽样，将登革热和对照小组%-分量分布在各链表之前。结果显示，在这些前提条件下，SL的效率要强单链表效率，并且展示造出略好于之前央基本本质。数据分析仅有对活动性肺炎顺利完成病患。将潜伏病菌的肺炎病患者作为对照小组，抽样和对照小组保持分量分布，但提高运用于专业训练的抽样生产量。在这些更为具挑战性的前提条件下，虽然SL整体效率有所下降，但是SL效率仍然要强任何单链表效率。

专业训练抽样提高50%时，SL仍然要强单链表效率，不过这时单链表和SL效率都比较低。然而与一般前提条件下的观察结果一致，SL效率与之前心基本本质比较差不多：专业训练数据库减小时计算机系统化的展示造出更为好。将三个链表的专业训练数据库可分六个较小链表时会增高每个链表的效率，但是来顺利完成SL消除的结果并没很差。

SL验证肺炎

由于肺炎具有地方性特征，肺炎抽样可以用来三维潜在结束的情景，以便明确SL的绝对优势和潜在受限，进而数据分析明确如何应付这些原因。

由链表三维的三个独立范围之前有足够的但多种不同生产量的登革热抽样，在这种情况下，SL的结果差不多和之前没什么变化。而个案和对照小组至多的链表效率微小下降。测试链表的个案%-增高加剧链表效率很差。

个案三是，常用一个大型的公开脸部X射线缩放数据库集来应付多类假设原因。SL在假设所有放射线学挖掘造出（肺积水、溢造出、浸润和无挖掘造出）各个方面要强每个链表的效率，这表明SL也仅有限于于非磷酸化小组数据库教育领域。

个案四，提问了SL有否可以运用于验证COVID-19病患者。虽然一般来说COVID-19是常用基于PCR的验证方依此有来验证感染RNA。但在病原体未确定、特定病原体验证尚不意味著、现有验证意味著消除假阴性结果等情况下，分析报告特定寄主反应意味著是有益的，而数据分析血液循环磷酸化小组借以明白寄主的免疫反应。

SL验证COVID-19

作者通过在欧洲地区招募更为多的公共卫生之前心来获取数据库，这些之前心在年龄、女性和压制传染病的程度上有多种不同的病患者分布，由此转化成了八个单独特定之前央子数据库集。

SL可以应对女性、年龄或双重病菌等偏差，并在区分轻度和重度COVID-19病患者时，SL的展示造出要强单链表效率。证据表明，来自COVID-19病患者的血液循环磷酸化小组亦然了一个可以运用于SL的特定教育领域。

四、SL前景广阔，快速亚太地区精准公共卫生资源对等

随着各方都在关注如何进一步提高数据库该软件和安全性原因以及提高数据库输水和段落，去之前心化的数据库基本本质将成为解决问题、涡轮器、管理和量化任何多种类型的大型公共卫生数据库集的首选方依此有。

密切相关学各个方面，基于方依此学的验证、亚型量化和结果假设都夺得了阶段性终于，但是其进展受到数据库集覆盖面有限的阻碍，现在的该软件依此规使得共同开发集之前式计算机系统化系统的吸引力增高。

SL作为一种去之前心化的进修系统，改用了这两项包涵的机构现代医学数据分析之前数据库对等的范式。

对于力图摧残Swarm的网络的人，SL的区块链系统设计给予了强有力的应对保护措施。SL通过外观设计给予了规避的方依此学，可以继承DFT该软件演算依此、函数身份验证或身份验证备有进修方依此有各个方面的另行进展。

亚太地区资源对等和数据库对等极其重要，并且SL在这两个各个方面假定固有绝对优势，并且更为大的绝对优势是不并不需要数据库对等而同样转化成知识对等，从而借助于完全数据库规避前提条件下的亚太地区资源对等。

事实上，立依此者特别强调的该软件规则在发生大覆盖面流行病时完全仅有限于。密切相关此类危机之前，计算机系统化系统并不需要遵守伦理道德准则并且尊重人权。像SL这样的系统——允许公平、表面和被高度监管的对等数据库量化同时维护数据库该软件——将受到青睐。

数据分析部门相信应该探讨SL根据X射线缩放或CT扫描结果、构件化健康就有数据库或者来自于传染病的可戴著电子系统数据库，来对COVID-19顺利完成基于缩放的病患。

SL运用于磷酸化小组学（或其他现代医学数据库）量化是极其有大环境的方依此有，可以在现代医学教育领域的示范计算机系统化的常用，同时减低数据库规避性、该软件和数据库维护程度，以及提高数据库输水。

五、亚太地区霍乱或多或少下，期待SL发挥作用

这篇数据分析不可否认SL的效率的安全性。在亚太地区霍乱一直过后的情况下，感染不断消除取而代之变种，对于各国公共卫生的机构都是一种挑战。如果来顺利完成SL系统设计在数据库规避的情况下对亚太地区相关的公共卫生数据库顺利完成整合量化，更为短时间病患病状，意味著对压制霍乱会有重要帮助。

数据库是计算机系统化发展的血液循环，但是数据库该软件安全性的原因日益凸显。我们之前明白到合众国进修系统设计能让数据库在脱敏的情况下被解决问题量化，过去，SL成为一种另行方依此有。它将通过分布式解决问题方式，为数据库安全性运用于及计算机系统化从业部门的发展造成了取而代之推动力。

Schultze 深信他们的数据分析成果将会对亚太地区范围内的公共卫生数据库对等消除革另行。「我相信 Swarm Learning 可以极大地推动现代医学数据分析和其他数据库涡轮的学科。现在的数据分析只是一次试运行。今后，我们想要将这项系统设计应运用于阿尔茨海默氏症和其他之前枢神经系统衰退性传染病。」

惠普计算机系统化首席系统设计监兼低阶副总裁 Eng Lim Goh 博士也问到：「Swarm Learning 为现代医学数据分析和商业性合作开辟了取而代之机会。这两项是所有发起者都可以相互进修，而不必对等机密信息数据库。」

上述素材来自机器之心，智东西等