兼顾安全与效率，联邦学习在临床科研中的应用得到专家认可

近日，中山大学计算机学院副院长吴迪教授一行莅临健康数据参观交流，针对中国乳腺癌标准数据库项目建设成效、医学联邦学习平台建设与应用经验进行了深入交流探讨。

座谈会上，我方从发展历程、业务布局、产品创新、核心能力等方面向来访嘉宾介绍了健康数据的整体情况，并以“中国乳腺癌单病种诊疗能力提升项目”为例，重点展示了联邦学习技术在临床科研领域的创新成果。

1、数据安全更有保障

健康数据医学联邦学习平台已实现运用同态加密、差分隐私计算技术，使各参与方在不暴露数据及加密形态的前提下进行联合建模。

同态加密被看作是最安全的隐私增强技术，它允许人们直接在加密数据上实施运算，以实现和基于明文数据进行运算一样的效果，即“可用不可看”。差分隐私能够在给数据添加噪音的同时，一直计算隐私提升程度，从而使添加“噪音”的过程更加严谨。两种技术双管齐下，保证医疗数据绝对安全。

2、临床科研更加高效

目前，健康数据医学联邦学习平台已完成Segmentation（分割）、Classification（分类）、Logistic Regression（逻辑回归）、Lasso Regression（拉索回归）、Ridge Regression（岭回归）等多种算法的构建，可有效支撑影像数据的分类、分割、分析与统计工作。科研人员基于回归模型、树模型、神经网络模型等算法模型进行分发训练，可深入挖掘数据价值，辅助临床诊疗、拓展科研思路、提高科研效率。

3、模型训练更加精准

不同疾病研究关注不同的数据维度。除乳腺癌外，健康数据已与合作伙伴共建肺癌、肾病、心房颤动、多发性骨髓瘤等多种疾病模型，并已在中山大学孙逸仙纪念医院、中山大学附属肿瘤医院、汕头市中心医院、肇庆市第一人民医院等大型医院联合建模。多中心研究为模型训练提供不同应用场景所需数据，不断提高模型精准度。

同时，通过对大量医学指南文献和专家经验进行拆解，健康数据已构建一套完善的医学知识库和规则库，对训练结果进行补充、修正和检验，助力高质量研究成果产出。

不过，从宏观的行业发展来看，联邦学习的应用落地仍处于早期阶段。如何解决各节点间通讯问题？如何进一步提高模型训练的精准度？如何向医疗机构更直观的展示平台安全性能？都是有待解决的共性瓶颈问题，也是健康数据实践突破的重点方向。

吴教授团队在高度认可健康数据团队实践成果的同时，对现阶段共性问题深感共鸣。吴教授表示，交流互鉴优秀经验，将促进联邦学习应用发挥更大效能。后续双方也将持续寻找合作切入点，加强战略合作，实现发展共赢。

未来，健康数据将紧密围绕“健康中国”建设目标，持续发挥技术创新优势，促进医学与人工智能的融合，以科技智慧全面助推医疗健康事业的高质量发展。