Nature封面：人工智能AI新算法！横越医疗数据隐私问题进行学习

6月15日消息，机器自学应用新进展又一次登上该协则会学术期刊《自然环境》（Nature）封面设计。

族群智能均受蜂巢、蜂群这类社则会性动物的行为启发而来，可运用于预见体育赛事、投票选举等活动的结果。但它还可以做到非常多。比如，在不违法个人隐私法则的情形将来自亚太地区的医疗卫生信息展开紧密结合，以便较慢有效地检查脑癌不堪重负营养不良的病人。

最近，法国波恩大学的数据深入研究医护人员牵头惠普公司以及来自克里特、西班牙、法国的多家数据深入研究机构，共同合作发展了一种将边缘推算、基于区块链的对等局域网结合紧紧的分散式机器自学作法则——「Swarm Learning」（族群自学，SL），可以从分散存储的信息中所检查单单多种营养不良，非常容易慢速亚太地区范围内的精准医疗卫生协作，能运用于并不相同医疗卫生系统设计间信息的紧密结合

数据深入研究医护人员基于1.64万份血浆酪氨酸四组和9.5万份胸部X射线投影信息，运运用于SL为肺炎、心脏病和肺部营养不良、COVID-19合作发展营养不良检查分类器，发掘单单SL在发挥作用规避规范的同时要强单个医疗卫生系统设计合作发展的分类器。解法则标记单单染病个体的有效率，在血浆酪氨酸四组信息集中于所平均为90%，在X射线投影信息集中于所体现为76%-86%。

数据深入研究成果于5月27日以 Swarm Learning for decentralized and confidential clinical machine learning 为题发表在月刊 Nature 上，并登上了最新一期的月刊封面设计。

论文文档：

较慢有效地检查脑癌不堪重负营养不良的病人是精准医疗卫生的主要最大限度，而 AI 可以非常快地基本功能。但由于个人隐私法则的必要举措，关键技术上的可行和实施上的由此可知间存在着前所未有的差距。虽然 AI 解决问题提案某种持续性上依赖必需的解法则，但实际上却非常依赖大信息。现阶段，大量的信息掌控在世界各地据称万的医疗卫生系统设计手中所，难以人身安全高效地共享，而各自的本地信息又难以发挥作用机器自学的操练。

针对这一有缺陷，波恩大学的 Joachim Schultze 和他的合作伙伴恰当指单单了一种名为 Swarm Learning（群自学）的去教育中所心化机器自学系统设计，代替了意味着跨机构免疫学中所集中于所信息共享的手段。Swarm Learning 通过 Swarm 局域网共享数值，再在各个站内的本地信息上实质上借助于数学作法，并运用区块链关键技术对借此毁损 Swarm 局域网的不诚实大多数人无视强有力的举措。

Swarm learning 的框架

一、比美国联邦政府自学非常人身安全，SL可义务医疗卫生信息共享

精准医疗卫生的最大限度是能较慢有效地检查单单脑癌不堪重负营养不良和异质性营养不良的病人，而机器自学非常容易发挥作用这一最大限度，例如根据病人的血浆酪氨酸四组信息来标记确实脑癌肺炎。然而，运用到实际上还存在很多有缺陷。

基于机器自学（AI）的营养不良诊断作法则，某种持续性上不仅依赖必需的解法则，非常依赖大型操练信息集。由于病理学信息本身是分散的，医疗卫生系统设计本地的信息量一般而言难以操练单单有效的分类器。因此，根据医疗卫生信息借助于单单的数学作法，仅能解决问题本地有缺陷。

从机器自学角度，将各地医疗卫生信息展开集中于所处理是非常快的选取，但这存在难以避免的有缺陷。最主要信息流速有缺陷，以及对信息所有权、接入点、个人隐私性、人身安全性和信息垄断等情况的担忧。

因此，需非常有效、有效、高效的解决问题提案，并且能够在个人隐私和理性特别发挥作用规避承诺，还要展开人身安全和容错设计。

美国联邦政府自学作法则（Federated Learning）解决问题了其中所的一些有缺陷。信息遗留在信息所有者本地，接入点有缺陷获取解决问题，但数值设置仍要的中所央协商员协商。此外，这种如前所述管理模式减少了容错意志力。

相比于已非常加流行的美国联邦政府自学作法则，非常快的选取是无视完全去教育中所心化的机器自学解决问题提案，即SL来克服仅有提案的不足，适应病理学应用固有的分散式信息结构上以及信息个人隐私和人身安全法则规的承诺。

SL具备表列占优势：（1）将大量医疗卫生信息遗留至信息所有者本地；（2）不需交换原始信息，从而减低信息流速；（3）获取低级别的信息人身安全义务；（4）能够尽可能局域网中所新成员的人身安全、透明和不合理自组，依然需的中所央托管员；（5）并不需要数值原属，发挥作用所有新成员行政权相一致；（6）可以必要举措机器自学数学作法免均受攻击。

从概念上讲，如果本地有非常多的信息和推算机基础设施，机器自学就可以在本地展开。

对比几种机器自学作法则，数据深入研究医护人员发掘单单，基于云的机器自学（Central Learning）则会归因于信息集中于所伸展，可运用于操练的信息量大大减小，相比于信息和推算在不具体地点的Local Learnling作法则，机器自学的结果获取强化，但存在信息移位、信息流速减小以及信息个人隐私、信息人身安全等特别的有缺陷。美国联邦政府自学作法则运运用于专供数值路由器负责聚合和发放，其他的中所央结构上仍被延续。SL，省去专供路由器，通过Swarm局域网共享数值，并且在各个结点的私有信息上实质上借助于数学作法。

四种机器自学作法则非常加

SL获取人身预防举措以反对信息主权，这由私人特许的区块链关键技术发挥作用。每个大多数人都有恰当的定义，只有预先特许特许的大多数人才可以执行交易。新结点自组是动态的，有必需的特许举措来标记局域网大多数人。新结点通过区块链智能合同注册，获取数学作法，并执行数学作法的本地操练，知道发挥作用定义的该系统情况下。接下来，数学作法数值通过Swarm运用程序编程接口（API）展开交换，并开始下一轮，原属创建一个具备非常新数值设置的非常新数学作法。

在每个结点，SL分为中所间件和用户端。运用环境最主要机器自学平台、区块链和SLL。用户端则都有数学作法，例如深入研究来自肺炎、心脏病和COVID-19病人的血浆酪氨酸四组信息或电离辐射图像等获取的数学作法结构上。

二、族群自学，源于自然环境的灵感

三、操练检验减低50%时，SL性能指标仍关键因素

数据深入研究共展示了四个例子：

例子一是，运运用于12000多位病人的外周血单个质子细胞内（PBMC）酪氨酸四组信息看成的三个信息集（A1-A3，最主要两种种类的微阵列和RNA测序），以及默认设置的连续浅层神经局域网解法则来展开测试者。

针对每个真实世界布景，检验被细分不移位的操练信息集和一个具体来说测试者信息集，运用于测试者在单个结点上SL建立的数学作法。操练信息集以并不相同的原产手段被“隔离”在每个Swarm结点上，来各种类型临床医疗卫生上的具体布景。

急性髓细胞内肺炎（AML）病人的检验作为流感（cases），其他所有检验作为对照四组（controls）。各种类型中所的每个结点，都可以均是由一个医疗卫生教育中所心、一个医院局域网、一个国家或任何其他实质上的四秘密组织，这些四秘密组织则会归因于有个人隐私承诺的本地医疗卫生信息。

SL检查肺炎

首先，把流感和对照四组不微小的原产到结点（信息集A2）和结点上，发掘单单SL结果要强单个结点的性能指标。在这种情形，教育中所心数学作法的体现仅略好于SL。运运用于信息集A1和A3测试者正因如此有非常加类似于的结果，这浓烈反对了SL性能指标的减少跟信息得来或者信息分解成关键技术（微阵列或RNA测序）无关的观点。

另外五个布景正因如此在信息集A1-A3上展开了测试者：（1）在测试者结点运运用于反之亦然的检验，其流感和对照四组%-与第一个布景中所的类似于；（2）运运用于反之亦然的检验，但将来自特定临床数据深入研究的检验分开，使操练结点和结点间有并不相同的流感和对照四组%-：（3）减小每个操练结点的检验微小；（4）在专供操练结点运运用于并不相同关键技术分解成的险恶检验；（5）运运用于并不相同的RNA-seq关键技术。在这些布景中所，SL的体现都要强单结点性能指标，并且吻合或者和教育中所心数学作法性能指标完全相同。

急性肝细胞内肺炎（ALL）病人的检验正因如此在这几个布景下展开了测试者，将诊断范围扩展至以四种肺炎种类为主的多类有缺陷。

例子二是，用SL从血浆酪氨酸四组信息中所标记心脏病病人。

基于心脏病检验，将流感和对照四组%-反之亦然在各结点中所。暗示，在这些情况下下，SL的性能指标要强单结点性能指标，并且体现略好于的中所央数学作法。数据深入研究仅对活动性心脏病展开诊断。将潜伏病菌的心脏病病人作为对照四组，检验和对照四组保持反之亦然，但减低运用于操练的检验数量。在这些极富同样性的情况下下，虽然SL既有性能指标有所下降，但是SL性能指标一直要强任何单结点性能指标。

操练检验减低50%时，SL一直要强单结点性能指标，不过这时单结点和SL性能指标都非常加低。然而与一般情况下下的通过观察结果一致，SL性能指标与教育中所心数学作法非常加吻合：操练信息减小时机器自学的体现非常快。将三个结点的操练信息细分六个较小结点上则会减少每个结点的性能指标，但是运用SL归因于的结果并没有人极差。

SL检查心脏病

由于心脏病具备地区性特征，心脏病检验可以用来各种类型潜在爆发的真实情况，以便明确SL的占优势和潜在限制，进而数据深入研究明确如何解决问题这些有缺陷。

由结点各种类型的三个实质上区域仍未有非常多的但并不相同数量的流感检验，在这种情形，SL的结果仅仅和之前没有人什么变异。而例子和对照四组至少的结点性能指标突单单下降。测试者结点的例子%-减少导致结点性能指标极差。

例子三是，运运用于一个大型的引起争议胸部X射线投影信息集来解决问题多类预见有缺陷。SL在预见所有电离辐射学发掘单单（肺积水、渗单单、伴生和无发掘单单）特别要强每个结点的性能指标，这暗示SL也适运用于非酪氨酸四组信息应用。

例子四，讨论了SL确实可以运用于检查COVID-19病人。虽然一般而言COVID-19是运运用于基于PCR的检查作法则来检查大肠杆菌RNA。但在寄生虫未知、特定寄生虫检查尚不有可能、现有检查有可能归因于假阴性结果等情形，检验特定肠道质子化有可能是有益的，而数据深入研究血浆酪氨酸四组非常容易了解肠道的免疫质子化。

SL检查COVID-19

写作者通过在欧洲招募非常多的医疗卫生教育中所心来获取信息，这些教育中所心在年龄、同性恋和控制营养不良的持续性上有并不相同的病人原产，由此分解成了八个基本上特定的中所央子信息集。

SL可以快速反应同性恋、年龄或双重病菌等偏差，并在区分轻度和重度COVID-19病人时，SL的体现要强单结点性能指标。证据暗示，来自COVID-19病人的血浆酪氨酸四组均是由了一个可以运用SL的特定应用。

四、SL前景广阔，慢速亚太地区精准医疗卫生协作

随着各方都在注意如何加强信息个人隐私和人身安全有缺陷以及减低信息流速和移位，去教育中所心化的信息数学作法将视作处理、存储、管理和深入研究任何种类的大型医疗卫生信息集的首选作法则。

相比之下学特别，基于机器自学的检查、HIV-深入研究和结果预见都争得了阶段性取得成功，但是其进展均受到信息集规模极小的阻碍，现阶段的个人隐私法则规使得合作发展集中于所式机器自学系统设计的吸引力减少。

SL作为一种去教育中所心化的自学系统设计，代替了意味着跨机构免疫学中所信息共享的范式。

对于借此毁损Swarm局域网的人，SL的区块链关键技术获取了强有力的快速反应举措。SL通过设计获取了规避的机器自学，可以继承差分个人隐私解法则、函数TLS或TLS专供自学作法则特别的新进展。

亚太地区协作和信息共享非常加重要，并且SL在这两个特别存在固有占优势，并且非常大的占优势是不需信息共享而反之亦然转化成知识共享，从而发挥作用完全信息规避情况下下的亚太地区协作。

事实上，立法则者强调的个人隐私规则在牵涉到大规模流行病时完全适用。相比之下此类政治危机中所，机器自学系统设计需严守理性法则并且他的政府。像SL这样的系统设计——并不需要不合理、透明和被离地监管的共享信息深入研究同时必要举措信息个人隐私——将均受到注目。

数据深入研究医护人员认为应该探索SL根据X射线投影或CT打印结果、结构上化健康记录信息或者来自于营养不良的可穿戴设备信息，来对COVID-19展开基于投影的诊断。

SL运用于酪氨酸四组学（或其他病理学信息）深入研究是非常加有前景的作法则，可以在病理学应用的提倡机器自学的运运用于，同时减少信息接入点、个人隐私和信息必要举措持续性，以及减低信息流速。

五、亚太地区禽流感背景下，期待SL发挥作用

这篇数据深入研究证明了SL的性能指标的有效性。在亚太地区禽流感一直停滞的情形，大肠杆菌大幅度归因于新新品种，对于各国医疗卫生系统设计都是一种同样。如果运用SL关键技术在信息规避的情形对亚太地区具体的医疗卫生信息展开紧密结合深入研究，非常快诊断健康状况，有可能对控制禽流感则会有重要帮助。

信息是机器自学持续发展的血浆，但是信息个人隐私人身安全的有缺陷日益凸显。我们仍未认识到美国联邦政府自学关键技术能让信息在脱敏的情形被处理深入研究，现在，SL视作一种新作法则。它将通过原产式处理手段，为信息人身安全运用及人工智由此可知业的持续发展带来新促进力。

Schultze 毫无疑问他们的数据深入研究成果将则会对亚太地区范围内的医疗卫生信息共享归因于本土化。「我相信 Swarm Learning 可以不小地促进免疫学和其他信息传动装置的学科。现阶段的数据深入研究只是一次试运营。未来则会，我们执意将这项关键技术应运用于阿尔茨海默氏症和其他神经衰退性营养不良。」

惠普机器自学首席关键技术官兼低级副总裁 Eng Lim Goh 博士也声称：「Swarm Learning 为免疫学和商业合作开辟了新机则会。关键是所有大多数人都可以相互自学，而可不共享机密信息。」

上述内容来自机器心，智东西等