CN111180061B - 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统 - Google Patents

融合区块链与联邦学习的共享医疗数据智能辅助诊断系统 Download PDF

Info

Publication number
CN111180061B
CN111180061B CN201911251667.8A CN201911251667A CN111180061B CN 111180061 B CN111180061 B CN 111180061B CN 201911251667 A CN201911251667 A CN 201911251667A CN 111180061 B CN111180061 B CN 111180061B
Authority
CN
China
Prior art keywords
local model
shared
medical data
module
diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911251667.8A
Other languages
English (en)
Other versions
CN111180061A (zh
Inventor
冷杰武
张虎
阮国磊
叶仕德
景建波
李龙章
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201911251667.8A priority Critical patent/CN111180061B/zh
Publication of CN111180061A publication Critical patent/CN111180061A/zh
Application granted granted Critical
Publication of CN111180061B publication Critical patent/CN111180061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，包括：电子病历库建立模块，用于获取医院的医疗数据，并建立电子病例库；共享样本提取模块，用于从参与医疗数据共享的医院的电子病例库中，筛选出病理特征相同样本作为共享样本；区块链模块，用于将本地模型训练模块发送给中央服务器的信息存储在区块链中，并利用区块链的共识机制，对贡献量大的医院进行补偿；本地模型建立模块，用于建立本地模型；本地模型训练模块，用于进行本地模型的加密训练；辅助诊断模块，用于保存训练好的本地模型，以进行疾病的辅助诊断。该系统可以在保证隐私、安全的前提下解决医疗数据的孤岛问题，从而为疾病的诊断提供良好的辅助。

Description

融合区块链与联邦学习的共享医疗数据智能辅助诊断系统
技术领域
本申请涉及大数据、医疗技术领域，具体涉及一种融合区块链与联邦学习的共享医疗数据智能辅助诊断系统。
背景技术
海量的数据是人工智能发展的必备要素，而数据的获取与使用需要有两个条件。一是拥有大量的数据来源，二是如何实现高效，安全可信，合理合法的共享。
我国虽然在医院病例数方面有很大优势，但由于医疗数据没有共享，存在“数据孤岛”现象，使得这些数据不能合理的利用，从而阻碍了医疗人工智能的发展。但通常又不能简单的将各方的数据进行组合，由于医疗数据的隐私性，相关法律法规的保护性，以及各机构之间的竞争性等等原因，实现医疗数据的简单组合是不现实的。如何在满足数据隐私、安全和监管要求的前提下，设计一个机器学习框架，让人工智能系统能够更加高效、准确的共同使用各自的数据，是当前人工智能发展的一个重要问题。
发明内容
本申请的目的是提供一种融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，该系统可以在保证隐私、安全的前提下解决医疗数据的孤岛问题，从而为疾病的诊断提供良好的辅助。
为了实现上述任务，本申请采用以下技术方案：
一种融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，包括：
电子病历库建立模块，用于获取医院的医疗数据，并建立电子病例库；所述电子病例库来自于医院的医疗数据，电子病例库包含多个样本，每个样本包括一个患者的病理特征和诊疗结果，其中诊疗结果包括诊断结论和治疗措施；本地电子病例库建立好之后，对其中的样本进行特征提取和向量化处理，得到病理特征向量和诊疗结果向量；
共享样本提取模块，用于从参与医疗数据共享的医院的电子病例库中，筛选出病理特征相同样本作为共享样本；
本地模型建立模块，用于建立本地模型，其中，参与医疗数据共享的医院均设置有本地模型建立模块；
本地模型训练模块，用于根据所述共享样本进行本地模型的加密训练；加密训练过程为：将参与医疗数据共享的各个医院和中央服务器组成网络，中央服务器将公钥分发给各个医院的本地训练模块；各个医院的本地模型训练模块根据共享样本训练本地模型，计算训练梯度，然后通过公钥加密的方式共享梯度的更新，并将加密的结果发送到中央服务器；中央服务器根据汇总结果计算总梯度并将其解密，将解密后的总梯度分别传送给每个医院的本地模型训练模块，本地模型训练模块根据总梯度更新本地模型的参数；
辅助诊断模块，辅助诊断模块用于保存训练好的本地模型，训练好的本地模型用于进行疾病的辅助诊断。
进一步地，所述的系统还包括：
区块链模块，用于将本地模型训练模块发送给中央服务器的信息存储在区块链中，并利用区块链的共识机制，对贡献量大的医院进行补偿。
进一步地，所述病理特征包括症状名称、症状持续时间、症状出现条件和症状严重程度；诊断结论是医生针对于患者病情作出的诊断结果，包括疾病名称、并发症；治疗措施是医生针对病情做出的各种治疗方案，包括药物名称、用药方式、剂量、频率、时间。
进一步地，所述共享样本提取模块，采用样本对齐技术，使得不同医院在不公开各自数据的前提下确认双方的共享样本，且不暴露不相互重叠的病历，以便于利用共享样本进行本地模型训练。
进一步地，所述本地模型为神经网络模型或深度学习模型，包括BP神经网络模型或VGG深度学习模型。
进一步地，在本地模型训练模块根据共享样本训练本地模型时，对于共享样本，将共享样本中的病理特征向量作为本地模型的输入，将诊疗结果向量作为本地模型的输出，对本地模型进行训练。
本申请具有以下技术特点：
1.为了解决各医院间医疗数据的孤岛问题，本申请利用联邦学习，通过加密机制下的参数交换方式，使各医院的医疗数据都保留在本地，在不泄露隐私也不违反法规的前提下，联合各方的医疗数据建立一个共同的神经网络模型，该神经网络模型具有帮助医生进行辅助诊断的功能，即通过输入病人的病理特征，能够通过算法在病例库中匹配出最为相似的病理，并按照相关病例的记录，给出推荐的治疗方案。
2.本申请通过使用区块链来代替该中央服务器，将各医院本地训练模型的更新永远记录在区块链上，减少因中央服务器的故障而对整个联盟系统的损坏，并利用区块链的共识机制对数据贡献量多的医院进行奖励，以激发各医院的积极性。
附图说明
图1为本申请系统的结构示意图；
图2为本地模型训练过程中的交互示意图；
图3为根据共享样本训练本地模型的示意图；
图4为本地模型进行辅助诊断时的流程示意图；
图5为融合区块链的本地模型交互示意图。
具体实施方式
本申请中为了各方的医疗数据能够有效的联合，各医院方需要建立一个相似的病例库数据以供本地模型训练学习。本地模型采用相识度匹配的算法，即通过比较目标病例与数据库中的相识程度来判断两病例的匹配程度。当各方的本地模型训练完毕后，通过加密机制下的参数交换方式，使各方的数据都保留在本地，在不泄露隐私也不违反法规的前提下，建立一个全局联合模型，以解决数据孤岛问题。同时进一步的，由于联邦学习模型依赖于一个单一的中央服务器，若该服务器发生故障，则会对所有本地的训练模型造成影响，因此本申请通过使用区块链来代替该中央服务器。基于此，本申请的融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，如图1所示，包括：
1.电子病历库建立模块
电子病历库建立模块用于获取医院的医疗数据，并建立电子病例库。
所述电子病例库来自于医院的医疗数据，电子病例库包含多个样本，每个样本包括一个患者的病理特征和诊疗结果，其中诊疗结果包括诊断结论和治疗措施。所述病理特征包括症状名称、症状持续时间、症状出现条件和症状严重程度等；诊断结论是医生针对于患者病情作出的诊断结果，包括疾病名称、并发症等；治疗措施是医生针对病情做出的各种治疗方案，包括药物名称、用药方式、剂量、频率、时间等。
本地电子病例库建立好之后，对其中的样本进行特征提取和向量化处理，得到病理特征向量V1和诊疗结果向量V2。
2.共享样本提取模块
共享样本提取模块用于从参与医疗数据共享的医院的电子病例库中，筛选出病理特征相同样本作为共享样本。
由于病例的特殊性，每家医院的病例库中，拥有相同病理特征的数量较多，但病人的重合度却较小，故采用横向联邦学习的结构，将医疗数据按照病人维度进行切分，取出不同医院中病理特征相同而病人不完全相同的那部分数据进行训练。
采用样本对齐技术，使得不同医院在不公开各自数据的前提下确认双方的共享样本，且不暴露不相互重叠的病历，以便于利用共享样本进行本地模型训练。
3.本地模型建立模块
本地模型建立模块用于建立本地模型，其中，参与医疗数据共享的医院均设置有本地模型建立模块。所述本地模型为神经网络模型或深度学习模型，例如BP神经网络模型或VGG深度学习模型。
4.本地模型训练模块
如图2所示，本地模型训练模块用于根据所述共享样本进行本地模型的加密训练；同样地，在参与医疗数据共享的医院均设置有本地模型训练模块；具体的加密训练过程为：将参与医疗数据共享的各个医院和中央服务器组成网络，中央服务器将公钥分发给各个医院的本地训练模块；各个医院的本地模型训练模块根据共享样本训练本地模型，计算训练梯度，然后通过公钥加密的方式共享梯度的更新，并将加密的结果发送到中央服务器；中央服务器根据汇总结果计算总梯度并将其解密，将解密后的总梯度分别传送给每个医院的本地模型训练模块，本地模型训练模块根据总梯度更新本地模型的参数。
保存训练好的本地模型用于疾病的辅助诊断。
在本地模型训练模块根据共享样本训练本地模型时，对于共享样本，将共享样本中的病理特征向量V1作为本地模型的输入，将诊疗结果向量V2作为本地模型的输出，对本地模型进行训练，如图3所示。
5.辅助诊断模块
辅助诊断模块用于保存训练好的本地模型，其中训练好的本地模型用于进行疾病的辅助诊断。
在各个医院的本地模型均训练完成后，各个医院可以利用本地模型进行辅助诊断，如图4所示，步骤如下：
步骤1，病人在诊断完成后，根据检测数据，提取相应的病理特征，包括症状名称、症状持续时间、症状出现条件和症状严重程度。其中症状严重程度中可以是相关的检查数据，例如血常规，体温、咳嗽等对疾病诊断起主要作用的症状数据。将病理特征进行向量化处理后，作为输入向量，输入到已经训练好的本地模型中。
步骤2，在已训练好的本地模型中，根据算法匹配可能的相似病历，并输出对应的诊疗结果。
算法的大致步骤如下。将病例分为病例库中的原病例i和目标病例j，其中原病例i共有n个病症。Sim(i，j)表示病例库中病例i和新病例j间的综合相似度。wp表示第p个病症在整个病例中i的权重，Sim(ip，jp)表示两个病例i、j在属性p上的相似度，因此分母就表示目标病例中所有属性对应的权重和，分子表示的是目标病例中所有属性与新病例属性相似度与对应权重积的和，公式如下：
Figure BDA0002309211670000051
当两病例的相识度Sim(i，j)高于某一阈值时，则说明该病人所患病症很有可能与病例库中匹配的病症相似，并且可以根据匹配的病症给病人提供推荐诊断方案，以帮助医生进行最终诊断。
步骤3，医生利用专业知识和经验，集合病人的实际情况，判断诊疗结果是否可行；若方案不可行，则对诊疗方案进行适当调整。若调整后的结果应用临床后结果合理，则将此病历作为新的样本存储到本地电子病例库中，以便于后续的本地模型训练。
在上述技术方案的基础上，本系统还可以包括：
6.区块链模块
区块链模块用于将本地模型训练模块发送给中央服务器的信息存储在区块链中，并利用区块链的共识机制，对贡献量大的医院进行补偿。
由于上述建立的联邦学习模型依赖于一个单一的中央服务器，该服务器聚合所有本地模型的更新，并进行一系列的计算，从而产生一个全局模型的更新，并将更新传递给本地模型，再进行本地模型更新。若该服务器发生故障，则会对所有本地的训练模型造成影响。同时，由于提供数据量多的医院对全局训练模型的贡献更大，若不对这些机构进行有效的补偿，则拥有数据量大的医院就不太原意与那些拥有数据量小的医院进行联合，最终造成整个联盟系统的崩塌。因此，本方案中引入了区块链，将本地训练模型的更新永远记录在区块链上，减少因中央服务器的故障而对整个联盟系统的损坏。
其逻辑结构由医院以及维护区块链的矿工组成，如图5所示，医院与上述联邦学习模型一样，利用本地数据进行训练并提供本地模型的更新；矿工与某一医院相对应，将各医院本地模型的更新进行打包并写入区块链进行保存，并与医院共同维护区块链的一致性。在一段时间后，由于随着各医院病例的增多，其本地训练的模型也会发生改变，进而会影响整个联邦学习的全局模型。区块链在这样的迭代过程中不断储存各医院的更新记录，实现了去中心化，解决了传统联邦学习依赖单一服务器的缺点。同时，在每次更新中，对贡献量大的机构进行补偿，对维护和激励整个联邦学习模型有着重要作用。在某一次更新中，其流程如下所示：
6.1本地模型的更新与上传：每个医院计算并上传本地模型的更新到它在区块链中相应的矿工上。
6.2交叉验证，各个矿工交换并验证各医院上传的模型更新，然后将通过验证的更新写入候选区块上中。
6.3生成区块，各矿工通过一定的共识机制获得打包区块权，获得打包权后将候选块写入区块链。
6.4广播区块，将生成的区块广播给其他的矿工与节点。
6.5全局模型的下载与更新，每个医院通过区块链下载相应的更新，并在本地进行全局模型的更新。
通过引入区块链，可以避免由于中央服务器的故障而使整个系统的瘫痪。同时，由于全局模型的更新是在各个医院的本地进行的，单个设备或矿工的问题，不会影响其他节点的更新。在交叉验证阶段，根据各医院提供的数据量多少以及矿工的验证打包过程提供奖励来提高机构各成员的积极性。

Claims (6)

1.一种融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，其特征在于，包括：
电子病历库建立模块，用于获取医院的医疗数据，并建立电子病例库；所述电子病例库来自于医院的医疗数据，电子病例库包含多个样本，每个样本包括一个患者的病理特征和诊疗结果，其中诊疗结果包括诊断结论和治疗措施；本地电子病例库建立好之后，对其中的样本进行特征提取和向量化处理，得到病理特征向量和诊疗结果向量；
共享样本提取模块，用于从参与医疗数据共享的医院的电子病例库中，筛选出病理特征相同样本作为共享样本；
本地模型建立模块，用于建立本地模型，其中，参与医疗数据共享的医院均设置有本地模型建立模块；
本地模型训练模块，用于根据所述共享样本进行本地模型的加密训练；加密训练过程为：将参与医疗数据共享的各个医院和中央服务器组成网络，中央服务器将公钥分发给各个医院的本地训练模块；各个医院的本地模型训练模块根据共享样本训练本地模型，计算训练梯度，然后通过公钥加密的方式共享梯度的更新，并将加密的结果发送到中央服务器；中央服务器根据汇总结果计算总梯度并将其解密，将解密后的总梯度分别传送给每个医院的本地模型训练模块，本地模型训练模块根据总梯度更新本地模型的参数；
辅助诊断模块，辅助诊断模块用于保存训练好的本地模型，训练好的本地模型用于进行疾病的辅助诊断。
2.根据权利要求1所述的融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，其特征在于，所述的系统还包括：
区块链模块，用于将本地模型训练模块发送给中央服务器的信息存储在区块链中，并利用区块链的共识机制，对贡献量大的医院进行补偿。
3.根据权利要求1所述的融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，其特征在于，所述病理特征包括症状名称、症状持续时间、症状出现条件和症状严重程度；诊断结论是医生针对于患者病情作出的诊断结果，包括疾病名称、并发症；治疗措施是医生针对病情做出的各种治疗方案，包括药物名称、用药方式、剂量、频率、时间。
4.根据权利要求1所述的融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，其特征在于，所述共享样本提取模块，采用样本对齐技术，使得不同医院在不公开各自数据的前提下确认双方的共享样本，且不暴露不相互重叠的病历，以便于利用共享样本进行本地模型训练。
5.根据权利要求1所述的融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，其特征在于，所述本地模型为神经网络模型或深度学习模型，包括BP神经网络模型或VGG深度学习模型。
6.根据权利要求1所述的融合区块链与联邦学习的共享医疗数据智能辅助诊断系统，其特征在于，在本地模型训练模块根据共享样本训练本地模型时，对于共享样本，将共享样本中的病理特征向量作为本地模型的输入，将诊疗结果向量作为本地模型的输出，对本地模型进行训练。
CN201911251667.8A 2019-12-09 2019-12-09 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统 Active CN111180061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911251667.8A CN111180061B (zh) 2019-12-09 2019-12-09 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911251667.8A CN111180061B (zh) 2019-12-09 2019-12-09 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统

Publications (2)

Publication Number Publication Date
CN111180061A CN111180061A (zh) 2020-05-19
CN111180061B true CN111180061B (zh) 2023-05-02

Family

ID=70655412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911251667.8A Active CN111180061B (zh) 2019-12-09 2019-12-09 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统

Country Status (1)

Country Link
CN (1) CN111180061B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111698322B (zh) * 2020-06-11 2023-05-02 福州数据技术研究院有限公司 一种基于区块链和联邦学习的医疗数据安全共享方法
CN111901309B (zh) * 2020-07-03 2022-03-22 北京邮电大学 一种数据安全共享方法、系统及装置
CN111540428B (zh) * 2020-07-08 2020-10-23 江苏荣泽信息科技股份有限公司 一种基于区块链的医疗数据管理系统
CN111816304A (zh) * 2020-07-22 2020-10-23 北京聚道科技有限公司 一种遗传性疾病辅助决策的建立方法和系统
CN111899879B (zh) * 2020-07-31 2024-07-23 罗雄彪 一种眼表疾病自动筛查方法与系统、区块链
CN111967610B (zh) * 2020-08-18 2024-02-23 中国银行股份有限公司 基于区块链的联邦学习激励方法、装置、设备及存储介质
CN112132292B (zh) * 2020-09-16 2024-05-14 建信金融科技有限责任公司 基于区块链的纵向联邦学习数据处理方法、装置及系统
CN112151141A (zh) * 2020-09-23 2020-12-29 康键信息技术（深圳）有限公司 医疗数据处理方法、装置、计算机设备和存储介质
CN112201342B (zh) * 2020-09-27 2024-04-26 博雅正链(北京)科技有限公司 基于联邦学习的医疗辅助诊断方法、装置、设备及存储介质
CN112307331B (zh) * 2020-10-14 2023-11-24 湖南天河国云科技有限公司 一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备
CN112420187B (zh) * 2020-10-15 2022-08-26 南京邮电大学 一种基于迁移联邦学习的医疗疾病分析方法
CN112259238A (zh) * 2020-10-20 2021-01-22 平安科技（深圳）有限公司 电子设备、疾病类型检测方法、装置及介质
CN112231756B (zh) * 2020-10-29 2022-05-27 湖南科技学院 一种fl-em-gmm的医疗用户隐私保护方法及系统
CN112289448A (zh) * 2020-11-06 2021-01-29 新智数字科技有限公司 一种基于联合学习的健康风险预测方法和装置
CN112446040A (zh) * 2020-11-24 2021-03-05 平安科技（深圳）有限公司 基于选择性梯度更新的联邦建模方法及相关设备
CN112653752B (zh) * 2020-12-18 2022-06-24 重庆大学 基于联邦学习的区块链工业物联网数据共享方法
CN112714050B (zh) * 2020-12-22 2022-05-31 齐鲁工业大学 一种基于区块链和联邦学习的数据共享与隐私保护方法
CN112633701B (zh) * 2020-12-25 2021-10-26 蚌埠科睿达机械设计有限公司 基于区块链的交通工程道路裂缝的巡检方法及系统
CN112914774B (zh) * 2021-01-26 2022-12-23 安徽中科本元信息科技有限公司 一种基于云平台的数字化口腔咬合分析系统及分析方法
CN113468133A (zh) * 2021-05-23 2021-10-01 杭州医康慧联科技股份有限公司 适用于数据模型的在线共享系统
CN113571203B (zh) * 2021-07-19 2024-01-26 复旦大学附属华山医院 多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统
CN113434626B (zh) * 2021-08-27 2021-12-07 之江实验室 一种多中心医学诊断知识图谱表示学习方法及系统
CN113486991B (zh) * 2021-09-07 2021-11-26 南通林德安全设备科技有限公司 一种基于区块链的医疗数据神经网络特征融合方法及系统
CN113517057B (zh) * 2021-09-10 2021-12-10 南通剑烽机械有限公司 基于数据表示和神经网络的医疗图像信息识别存储方法
CN113782111B (zh) * 2021-09-16 2023-07-18 平安科技（深圳）有限公司 一种基于药物研发模型的协同训练方法、系统及存储介质
CN113571169A (zh) * 2021-09-23 2021-10-29 杭州医康慧联科技股份有限公司 医疗数据管理方法、装置、电子设备和存储介质
CN113986890B (zh) * 2021-12-30 2022-03-11 四川华迪信息技术有限公司 一种基于少样本模型学习的联合医院数据迁移方法及系统
CN114446454A (zh) * 2022-01-27 2022-05-06 深圳市铱硙医疗科技有限公司 一种医疗资源共享的方法与系统
CN114708965B (zh) * 2022-06-06 2023-03-28 安徽讯飞医疗股份有限公司 诊断推荐方法及装置、电子设备和存储介质
CN115599799B (zh) * 2022-11-30 2023-03-10 中南大学 面向医疗大数据的区块链与联邦学习融合方法
CN116682543B (zh) * 2023-08-03 2023-11-10 山东大学齐鲁医院 一种区域康复信息的共享方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197713A (zh) * 2019-05-10 2019-09-03 上海依智医疗技术有限公司 一种医疗影像的处理方法、装置、设备和介质
CN110211683A (zh) * 2019-05-30 2019-09-06 北京理工大学 一种基于区块链的支持向量机医疗数据隐私训练系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197713A (zh) * 2019-05-10 2019-09-03 上海依智医疗技术有限公司 一种医疗影像的处理方法、装置、设备和介质
CN110211683A (zh) * 2019-05-30 2019-09-06 北京理工大学 一种基于区块链的支持向量机医疗数据隐私训练系统

Also Published As

Publication number Publication date
CN111180061A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111180061B (zh) 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统
CN114496234B (zh) 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
Wilk et al. Comprehensive mitigation framework for concurrent application of multiple clinical practice guidelines
CN109977694A (zh) 一种基于协作深度学习的数据共享方法
CN104115144A (zh) 用于多维时域和相关数据挖掘框架、分析和子分组的系统、方法和计算机程序
CN110085325B (zh) 关于中医经验数据的知识图谱的构建方法及装置
Levakov et al. Mapping individual differences across brain network structure to function and behavior with connectome embedding
CN111048167A (zh) 一种层级式病例结构化方法及系统
Pal et al. Deep learning techniques for prediction and diagnosis of diabetes mellitus
Sinisi et al. Optimal personalised treatment computation through in silico clinical trials on patient digital twins
WO2024008043A1 (zh) 一种基于因果关系挖掘的临床数据自动化生成方法及系统
CN112289448A (zh) 一种基于联合学习的健康风险预测方法和装置
Chauhan et al. A secure design of the healthcare IoT system using blockchain technology
CN112133425A (zh) 一种基于智能推荐辅助医生优化诊疗过程的系统
CN113434692B (zh) 图神经网络模型构建、诊疗方案推荐方法、系统及设备
CN113658662A (zh) 基于用药大数据的配药方法、装置、设备及存储介质
CN113096795B (zh) 多源数据辅助的临床决策支持系统及方法
CN114974561A (zh) 一种辅助诊疗方法、装置以及设备
Ashu et al. A novel approach of telemedicine for managing fetal condition based on machine learning technology from IoT-based wearable medical device
He et al. Foundation model for advancing healthcare: Challenges, opportunities, and future directions
CN117034142B (zh) 一种不平衡医疗数据缺失值填充方法及系统
Sarp et al. Artificial intelligence-powered chronic wound management system: Towards human digital twins
Zhou et al. Incomplete multimodal learning for visual acuity prediction after cataract surgery using masked self-attention
Shrestha et al. A Bayesian method for the automatic extraction of meaningful clinical sequences from large clinical databases
Weed et al. Ending Medicine’s Chronic Dysfunction: Tools and Standards for Medical Decision Making

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant