Nature封面：人工智能AI新算法！跨越医疗数据防火墙问题进行学习

6月15日立即，机器求学各个领域新的发展又一次登上国际学术期刊《自然现象》（Nature）封面。

社才会阶层智能所致入侵者、蜂大群这类社才会性动物的行为新奇而来，可使用得出体育赛事、投票选举等户外活动的结果。但它还可以做到来得多。比如，在不违反个人信息国法的确实才会下将来自世界的医疗保健图表展开拆分，以便更快确实地探测脑癌不堪重负病因的病征。

最近，瑞士维也纳大学的研究小组管理人正职联合惠普公司以及来自克里特、荷兰、瑞士的多家研究小组私人机构，研发公司了一种将外缘计算、基于区块链的对等网络服务结合起来的虚拟化AI方国法——「Swarm Learning」（社才会阶层求学，SL），可以从集中于存储的图表中所探测出有多种病因，有助于加快世界以内的精准医疗保健共享，能使用不尽相同医疗保健私人机构之间图表的拆分

研究小组管理人正职基于1.64万份血浆酪氨酸第三组和9.5万份胸部X射线位图图表，运使用SL为乳腺癌、肺病和肺病因、COVID-19研发病因探测线性，注意到SL在所致限制隐瞒规范的同时强于单个医疗保健私人机构研发的线性。算国法定位出有卧床个体的抽样，在血浆酪氨酸第三组图表离地集中所平均为90%，在X射线位图图表离地集中所展现为76%-86%。

研究小组成果于5月27日以 Swarm Learning for decentralized and confidential clinical machine learning 为题发表在周刊 Nature 上，并登上了最近一期的周刊封面。

论文链接：

更快确实地探测脑癌不堪重负病因的病征是精准医疗保健的主要目标，而 AI 可以极好地辅助。但由于个人信息国法的保障，关键因素技术上的可行和推行上的能行之间存在着来得大的差距。虽然 AI 解决解决办法拟议单纯上意味着必要的算国法，但理论上却来得意味着大图表。目前，大量的图表掌握在国外成百上千万的医疗保健私人机构手上，没法安全性高效地就其联，而各自的本地图表又难以所致限制机器求学的基础训练。

针对这一解决办法，维也纳大学的 Joachim Schultze 和他的共同研发伙伴确实指出有了一种名为 Swarm Learning（大群求学）的去中所心化机器求学种系统，取代了举例来说包涵私人机构免疫学中所离地集中所图表就其联的方式将。Swarm Learning 通过 Swarm 网络服务就其联数值，再在各个站点的本地图表上统一构建仿真，并透过区块链关键因素技术对借此冲击 Swarm 网络服务的不诚实自发性规避强有力的政策。

Swarm learning 的框架

一、比州政府求学来得安全性，SL可保障医疗保健图表就其联

精准医疗保健的目标是能更快准确地探测出有脑癌不堪重负病因和异质性病因的病征，而机器求学有助于解决解决办法这一目标，例如根据病者的血浆酪氨酸第三组图表来定位到底脑癌乳腺癌。然而，关键因素技术的持续发展到理论上还存在很多解决办法。

基于AI（AI）的病因诊断方国法，单纯上不仅有意味着必要的算国法，来得意味着大型基础训练图表集。由于现代医学图表本身是集中于的，医疗保健私人机构本地的图表量并不一定无可基础训练出有确实的线性。因此，根据医疗保健图表构建出有的仿真，仅有能解决解决办法本地解决办法。

从AI某种持续性，将各地医疗保健图表展开离地集中所处置是来得佳的必需，但这存在难以避免的弱点。包括图表每秒解决办法，以及对图表所有者、隐瞒性、个人信息性、安全性性和图表巨头等确实才会的担忧。

因此，只能来得有效、准确、高效的解决解决办法拟议，并且需要在个人信息和伦理道德多方面解决解决办法隐瞒促请，还要展开安全性和容错所设计。

州政府求学方国法（Federated Learning）解决解决办法了其中所的一些解决办法。图表留存在图表所有者本地，隐瞒性解决办法赢取解决解决办法，但数值设置仍要中所央协调正职协调。此外，这种星型架构增大了容错能力。

相较于已来得为流行的州政府求学方国法，来得佳的必需是规避显然去中所心化的AI解决解决办法拟议，即SL来克服就有拟议的不足，适应现代医学各个领域固有的虚拟化图表构件以及图表个人信息和安全性规章的促请。

SL具一般而言劣势：（1）将大量医疗保健图表留存至图表所有者本地；（2）不只能互相交换原始图表，从而减低图表每秒；（3）备有文职别的图表安全性保障；（4）需要保证网络服务中所成正职的安全性、透明和应有加入，不再只能中所央托管正职；（5）允许数值原属，解决解决办法所有成正职自治权均等；（6）可以保障机器求学仿真不所致炮轰。

从概念上讲，如果本地有必要的图表和计算机系统基础设施，机器求学就可以在本地展开。

对比几种机器求学方国法，研究小组管理人正职注意到，基于皓的机器求学（Central Learning）才会造成了图表离地集中所移动，可使用基础训练的图表量大大减少，相较于图表和计算在不就其所在位置的Local Learnling方国法，机器求学的结果赢取改善，但存在图表多次重复、图表每秒减少以及图表个人信息、图表安全性等多方面的解决办法。州政府求学方国法运使用备有数值IP督导聚合和分发，其他中所央构件仍被保留。SL，这样一来备有IP，通过Swarm网络服务就其联数值，并且在各个路由表的所有权图表上统一构建仿真。

四种机器求学方国法来得为

SL备有安全性政策以全力支持图表治权，这由私人允许的区块链关键因素技术解决解决办法。每个自发性都有确实的定义，只有而无须许可允许的自发性才可以执行者报价。取而代之路由表加入是动态的，有必要的许可政策来定位网络服务自发性。新路由表通过区块链智能买断申请，获取仿真，并执行者仿真的本地基础训练，想到所致限制定义的同步有条件。接下来，仿真数值通过Swarm关键因素技术的持续发展程序编程模块（API）展开互相交换，并开始下一轮，原属创建一个具来得新数值设置的来得新仿真。

在每个路由表，SL还包括中所间件和OSI。关键因素技术的持续发展环境包括机器求学网络服务服务、区块链和SLL。OSI则还包括仿真，例如归纳来自乳腺癌、肺病和COVID-19病征的血浆酪氨酸第三组图表或点状影像等赢取的仿真构件。

二、社才会阶层求学，源于自然现象的灵感

三、基础训练调查结果减低50%时，SL稳定性仍来得优

研究小组共展示了四个近来：

近来一是，运使用12000多位病征的外周血单个氢蛋白（PBMC）酪氨酸第三组图表构成的三个图表集（A1-A3，包括两种型式的电泳和RNA人类基因第三组计划），以及默认设置的连续深度信息处置服务算国法来展开试验。

针对每个真实世界布景，调查结果被分成不多次重复的基础训练图表集和一个具体来说试验图表集，使用试验在单个路由表上SL建立的仿真。基础训练图表集以不尽相同的常见于方式将被“隔离”在每个Swarm路由表上，来模拟临床医疗保健上的就其布景。

急性髓蛋白乳腺癌（AML）病征的调查结果作为传染病（cases），其他所有调查结果作为IgG（controls）。模拟中所的每个路由表，都可以都是一个医疗保健中所心、一个公立医院网络服务、一个国家或任何其他统一的有第三组织，这些有第三组织才会造成了有个人信息促请的本地医疗保健图表。

SL探测乳腺癌

首先，把传染病和IgG不均匀的常见于到路由表（图表集A2）和路由表上，注意到SL结果强于单个路由表的稳定性。在这种确实才会下，中所心仿真的展现仅有额好于SL。运使用图表集A1和A3试验都只有非常相似的结果，这强烈全力支持了SL稳定性的提高跟图表利用或者图表生成关键因素技术（电泳或RNA人类基因第三组计划）无关的观点。

另外五个布景都只在图表集A1-A3上展开了试验：（1）在试验路由表运使用都为的调查结果，其传染病和IgG比率与第一个布景中所的相似；（2）运使用都为的调查结果，但将来自特定临床研究小组的调查结果分开，使基础训练路由表和路由表之间有不尽相同的传染病和IgG比率：（3）减少每个基础训练路由表的调查结果大小；（4）在备有基础训练路由表运使用不尽相同关键因素技术生成的孤立调查结果；（5）运使用不尽相同的RNA-seq关键因素技术。在这些布景中所，SL的展现都强于单路由表稳定性，并且相对于或者和中所心仿真稳定性相同。

急性淋巴蛋白乳腺癌（ALL）病征的调查结果都只在这几个布景下展开了试验，将诊断范围拓展至以四种乳腺癌型式为主的多类解决办法。

近来二是，用SL从血浆酪氨酸第三组图表中所定位肺病病征。

基于肺病调查结果，将传染病和IgG比率都为在各路由表中所。调查结果，在这些有条件下，SL的稳定性强于单路由表稳定性，并且展现额好于中所央仿真。研究小组仅有对各种因素肺病展开诊断。将潜伏感染的肺病病征作为IgG，调查结果和IgG始终保持都为，但减低使用基础训练的调查结果使用量。在这些增添挑战性的有条件下，虽然SL整体稳定性难免急剧下降，但是SL稳定性仍然强于任何单路由表稳定性。

基础训练调查结果减低50%时，SL仍然强于单路由表稳定性，不过这时单路由表和SL稳定性都来得为低。然而与一般有条件下的观察结果一致，SL稳定性与中所心仿真来得为相对于：基础训练图表减少时AI的展现来得佳。将三个路由表的基础训练图表分成六个较小路由表时才会增大每个路由表的稳定性，但是透过SL造成了的结果并从未不好。

SL探测肺病

由于肺病具地区性形态，肺病调查结果可以用来模拟潜在爆发的情景，以便未确定SL的劣势和潜在限制，进而研究小组未确定如何解决解决办法这些解决办法。

由路由表模拟的三个统一地带仍然有必要的但不尽相同使用量的传染病调查结果，在这种确实才会下，SL的结果几乎和之前从未什么变化。而近来和IgG最少的路由表稳定性值得注意急剧下降。试验路由表的近来比率增大引发路由表稳定性不好。

近来三是，运使用一个大型的公开胸部X射线位图图表集来解决解决办法多类得出解决办法。SL在得出所有点状学注意到（肺积水、渗入有、灌注和无注意到）多方面强于每个路由表的稳定性，这说明SL也适使用非酪氨酸第三组图表各个领域。

近来四，研讨了SL到底可以使用探测COVID-19病征。虽然并不一定COVID-19是运使用基于PCR的探测方国法来探测病毒RNA。但在细菌未知、特定细菌探测尚能不确实、现有探测确实造成了假阳性结果等确实才会下，分析特定细菌中间体确实是更为关键因素的，而研究小组血浆酪氨酸第三组有助于探究细菌的免疫中间体。

SL探测COVID-19

作者通过在拉丁美洲召募来得多的医疗保健中所心来获取图表，这些中所心在年岁、性倾向和离地离地集中所病因的持续性上有不尽相同的病征常见于，由此生成了八个原则上特定中所央子图表集。

SL可以应对性倾向、年岁或双重感染等偏差，并在区分轻度和重度COVID-19病征时，SL的展现强于单路由表稳定性。证据说明，来自COVID-19病征的血浆酪氨酸第三组都是了一个可以关键因素技术的持续发展SL的特定各个领域。

四、SL前景广袤，加快世界精准医疗保健共享

随着各方都在关注如何促进图表个人信息和安全性解决办法以及减低图表每秒和多次重复，去中所心化的图表仿真将成为处置、存储、管理和归纳任何型式的大型医疗保健图表集的首选方国法。

特别是在学多方面，基于机器求学的探测、亚型归纳和结果得出都获得了阶段性成功，但是其的发展所致到图表集覆盖面意味着的以致于，目前的个人信息规章使得研发离地集中所式AI种系统的吸引力增大。

SL作为一种去中所心化的求学种系统，取代了举例来说包涵私人机构免疫学中所图表就其联的范式。

对于借此冲击Swarm网络服务的人，SL的区块链关键因素技术备有了强有力的应对政策。SL通过所设计备有了隐瞒的机器求学，可以继承差分个人信息算国法、变量解密或解密备有求学方国法多方面的新的发展。

世界共享和图表就其联非常关键因素，并且SL在这两个多方面存在固有劣势，并且来得大的劣势是不只能图表就其联而直接转化成知识就其联，从而解决解决办法显然图表隐瞒有条件下的世界共享。

事实上，改革者重申的个人信息规则在发生大覆盖面结核病时显然适用。特别是在此类危机中所，AI种系统只能遵守伦理道德准则并且尊重人权。像SL这样的种系统——允许应有、透明和被离地监管的就其联图表归纳同时保障图表个人信息——将所致到赞许。

研究小组管理人正职视为应该探索SL根据X射线位图或CT扫描结果、构件化健康记录图表或者来自于病因的可穿戴设备图表，来对COVID-19展开基于位图的诊断。

SL使用酪氨酸第三组学（或其他现代医学图表）归纳是非常有前途的方国法，可以在现代医学各个领域的推广AI的运使用，同时提高图表隐瞒性、个人信息和图表保障持续性，以及减低图表每秒。

五、世界疫情背景下，期待SL意味着

这篇研究小组得出有结论SL的稳定性的确实性。在世界疫情一直持续的确实才会下，病毒大大造成了取而代之变种，对于各国医疗保健私人机构都是一种挑战。如果透过SL关键因素技术在图表隐瞒的确实才会下对世界就其的医疗保健图表展开拆分归纳，来得快诊断病况，确实对离地离地集中所疫情才会有关键因素帮助。

图表是AI持续发展的血浆，但是图表个人信息安全性的解决办法日益凸显。我们仍然探究到州政府求学关键因素技术能让图表在脱敏的确实才会下被处置归纳，现在，SL成为一种新方国法。它将通过常见于式处置方式将，为图表安全性关键因素技术的持续发展及AI企业的持续发展随之而来取而代之推动力。

Schultze 坚称他们的研究小组成果将才会对世界以内的医疗保健图表就其联造成了独创。「我相信 Swarm Learning 可以极大地推动免疫学和其他图表驱动的学科。目前的研究小组只是一次试车。未来，我们打算将这项关键因素技术关键因素技术的持续发展于阿尔茨海默氏症和其他神经衰退性病因。」

惠普AI高级顾问关键因素技术官兼文职副总裁 Eng Lim Goh 博士也表示：「Swarm Learning 为免疫学和商业共同研发另辟了取而代之希望。关键因素是所有自发性都可以相求学，而不必就其联军事机密图表。」

上述段落来自机器心，智东西等