『』腾讯天衍实验室联合微众银行研发医疗联邦学习，脑卒中预测准确率达 80%
雷锋网消息 ， 近日 ， 腾讯天衍实验室联合微众银行联合研发了医疗联邦学习框架 ， 实现了在保护不同医院数据隐私下的疾病预测模型 ， 破解医疗行业数据安全与隐私保护难题 。
作为医疗AI成长道路不可或缺的"粮食" ， 数据一直是医疗AI落地的"拦路虎" 。我国医疗健康数据领域长期存在"信息孤岛"问题 ， 不同地区甚至不同医院间的医疗数据没有互联 ， 也没有统一的标准 。与此同时 ， 数据安全问题也存在着巨大挑战 。
据雷锋网了解 ， 这是联邦学习在医疗健康大数据领域应用的一个成功案例 ， 为医疗大健康的各种潜在应用如分诊诊疗、慢病防控、疾病早筛、医保控费的落地等探索出了新的方向 。
医疗联邦学习——打破数据壁垒 ， 保护数据隐私
在重大疾病早期筛查和预测领域 ， 如果要成功能建立大数据疾病预测模型 ， 就需要将居民在不同医院的医疗信息与健康档案进行整合与建模 。
但由于信息系统不统一 ， 医院管理机构对于数据隐私泄露的担忧 ， 和相关数据保护法规的限制 ， 相关机构之间形成了数据壁垒 ， 很少有医院愿意进行数据的共享 ， 这就导致了AI难以在疾病预测领域"施展拳脚" 。
这也是近年来联邦学习方法日益受到关注的重要原因 。
2016年 ， 谷歌率先提出该技术 ， 而后微众银行则在首席人工智能官杨强教授的带领下首次提出了"联邦迁移学习" ， 并开源自研联邦学习框架FederatedAITechnologyEnabler（简称FATE） ， 推动联邦学习技术在行业中的落地 。
目前 ， 联邦学习在金融、互联网、智慧零智等领域已经有多个成功应用案例 ， 但在医疗领域 ， 由于医疗知识的专业性 ， 电子病历的复杂性对联邦学习的构建带来了种种困难 。
结合自身医疗机器学习与自然语言处理的先天优势 ， 腾讯天衍实验室与微众银行共同将联邦学习与医疗深度融合 ， 通过搭建基于联邦学习技术的大数据集中与挖掘平台 ， 开发医疗联邦学习（MedicalFederatedLearning）技术 。
文章图片
文章图片
联邦学习可以绕过医疗机构之间的信息壁垒 ， 不考虑将各自数据做合并 ， 而是通过协议在其间传递加密之后的信息 ， 该加密过程具有一定的隐私保护机制 ， 保证加密后的信息不会产生数据泄露 。各个医疗机构通过使用这些加密的信息更新模型参数 ， 从而实现在不暴露原始数据的条件下使用全部患者数据的训练过程 。
举例来说 ， 假设医院A和B想联合训练一个脑卒中疾病预测模型 ， 两个医院各自掌握科研病例数据 ， 此外 ， 医院B还拥有模型需要预测的标签数据如脑卒中发病标签 。出于数据隐私保护和安全考虑 ， 医院A和B无法直接进行数据交换 。联邦学习系统则可以利用基于加密的患者样本对齐技术 ， 在医院A和B不公开各自数据的前提下确认双方的共有患者 ， 并且不暴露不互相重叠的患者 ， 以便联合这些用户的特征进行建模 ， 在确定共有用户群体后 ， 就可以利用这些数据训练疾病预测模型 。
文章图片
文章图片
在这样的一种方式下 ， 联邦学习技术就实现了保护不同医院数据隐私的疾病预测模型 ， 而这项技术也在疾病预测领域落地 ， 天衍实验室和微众银行成功构建了一个"脑卒中发病风险预测模型" 。
脑卒中预测准确率达80%
在构建疾病预测模型过程中 ， 不同医院数据缺乏标准化是关键性难题 。
首先 ， 双方通过搭建的大数据集中与挖掘平台 ， 构建医疗健康领域机器学习、深度学习、自然语言理解、文本特征抽取、多种关系网络等多种大数据模型 ， 对地区居民连续电子病历和其它数据进行多重关联和信息抽取 。构建带有时间标志的重大慢病标签（脑卒中、冠心病、肿瘤、慢阻肺等）与大健康医疗特征(疾病、用药、检查、症状、手术、费用、家庭关系、行为、生活、环境) ， 并对不同医院构建统一的数据标准形成疾病标签集与特征集 。
推荐阅读
- #程序员#腾讯女程序员相亲遭对方嫌弃，晒出聊天记录感叹：太难了
- 『腾讯科技』淘宝天猫蒋凡在阿里内网回应传闻：深表歉意，恳请公司展开调查
- 「腾讯」腾讯视频盈利难：2019年亏损30亿 盗墓题材连拍五年没水花
- 服务@云市场跨步式发展 打造ToB云市场阿里腾讯外“第三股势力”
- 每日经济新闻咨询@联邦学习成人工智能新贵 腾讯安全：技术服务能力才是重点
- 腾讯科技■消费券“暖”市场，中山市发2000万微信消费券
- 「腾讯创业」当年上《职来职往》《非你莫属》的“明星”公司，大多已经不见了
- 游戏■腾讯代理全新手游来了：MOBA+吃鸡 6月9号上线
- ：腾讯游戏手机，一款腾讯为游戏打造的多功能手机
- 『数码盟』腾讯游戏手机，一款腾讯为游戏打造的多功能手机