CN112162959A - 一种医疗数据共享方法及装置 - Google Patents
一种医疗数据共享方法及装置 Download PDFInfo
- Publication number
- CN112162959A CN112162959A CN202011104552.9A CN202011104552A CN112162959A CN 112162959 A CN112162959 A CN 112162959A CN 202011104552 A CN202011104552 A CN 202011104552A CN 112162959 A CN112162959 A CN 112162959A
- Authority
- CN
- China
- Prior art keywords
- data
- medical data
- intelligent
- assistant
- node
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 230000003902 lesion Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/176—Support for shared access to files; File sharing support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Eye Examination Apparatus (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种医疗数据共享方法及装置,该方法包括:利用联盟链将多个数据孤岛连接起来;在联盟链上以智能合约的形式发布联邦机器学习任务;通过智能合约API接口将寻影助手加入联邦机器学习;对寻影助手中各节点的医疗数据进行汇总更新;通过区块链技术和联邦机器学习训练,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。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种医疗数据共享方法及装置。
背景技术
联邦机器学习(Federated machine learning/Federated Learning):又名联邦学习,联合学习,联盟学习。联邦机器学习是一个机器学习框架,能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。
联邦学习定义了机器学习框架,在此框架下通过设计虚拟模型解决不同数据拥有方在不交换数据的情况下进行协作的问题。虚拟模型是各方将数据聚合在一起的最优模型,各自区域依据模型为本地目标服务。联邦学习要求此建模结果应当无限接近传统模式,即将多个数据拥有方的数据汇聚到一处进行建模的结果。在联邦机制下,各参与者的身份和地位相同,可建立共享数据策略。由于数据不发生转移,因此不会泄露用户隐私或影响数据规范。为了保护数据隐私、满足合法合规的要求。
虽然传统的联邦学习能够很好的解决数据孤岛的问题,但始终无法解决的,是中心化的问题。在传统的联邦学习中,参数的最终汇总更新需要在中心化的服务器上进行,而这极为耗费算力及带宽。
发明内容
本发明的主要目的在于提出一种医疗数据共享方法及装置,通过区块链技术和联邦机器学习训练,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。
为实现上述目的,本发明提供的一种医疗数据共享方法,包括:
利用联盟链将多个数据孤岛连接起来;
在联盟链上以智能合约的形式发布联邦机器学习任务;
通过智能合约API接口将寻影助手加入联邦机器学习;
对寻影助手中各节点的医疗数据进行汇总更新。
可选地,所述利用联盟链将多个数据孤岛连接起来包括:
在所述多个数据孤岛中设置一一对应的多个分布式异步鉴别器;
将所述多个分布式异步鉴别器和一个临时中心生成器组成对抗网络;
通过所述临时中心生成器进行合成训练,生成与所述多个数据孤岛中的数据相近似的合成数据样本。
可选地,所述对寻影助手中各节点的医疗数据进行汇总更新具体为:
通过分布式更新模型参数算法对寻影助手中各节点的医疗数据进行汇总更新。
可选地,所述寻影助手中设置有智能眼科OCT模块,所述智能眼科OCT模块具有OCT图像质量控制、AI病变筛查、AI病灶自动检测、OCT图像质量增强、AI辅助标注和多节点协同训练的功能。
可选地,所述智能眼科OCT模块搭载在智联平台上。
作为本发明的另一方面,提供的一种医疗数据共享装置,包括:
连接模块,用于利用联盟链将多个数据孤岛连接起来;
发布模块,用于在联盟链上以智能合约的形式发布联邦机器学习任务;
加入模块,用于通过智能合约API接口将寻影助手加入联邦机器学习;
更新模块,用于对寻影助手中各节点的医疗数据进行汇总更新。
可选地,所述连接模块包括:
设置单元,用于在所述多个数据孤岛中设置一一对应的多个分布式异步鉴别器;
对抗单元,用于将所述多个分布式异步鉴别器和一个临时中心生成器组成对抗网络;
训练单元,用于通过所述临时中心生成器进行合成训练,生成与所述多个数据孤岛中的数据相近似的合成数据样本。
可选地,所述对寻影助手中各节点的医疗数据进行汇总更新具体为:
通过分布式更新模型参数算法对寻影助手中各节点的医疗数据进行汇总更新。
可选地,所述寻影助手中设置有智能眼科OCT模块,所述智能眼科OCT模块具有OCT图像质量控制、AI病变筛查、AI病灶自动检测、OCT图像质量增强、AI辅助标注和多节点协同训练的功能。
可选地,所述智能眼科OCT模块搭载在智联平台上。
本发明提出的一种医疗数据共享方法及装置,该方法包括:利用联盟链将多个数据孤岛连接起来;在联盟链上以智能合约的形式发布联邦机器学习任务;通过智能合约API接口将寻影助手加入联邦机器学习;对寻影助手中各节点的医疗数据进行汇总更新;通过区块链技术和联邦机器学习训练,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。
附图说明
图1为本发明实施例一提供的一种医疗数据共享方法的流程图;
图2为图1中步骤S10的方法流程图;
图3为本发明实施例二提供的一种医疗数据共享装置的示范性结构框图;
图4为本发明实施例二提供的一种连接模块的示范性结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一
如图1所示,在本实施例中,一种医疗数据共享方法,包括:
S10、利用联盟链将多个数据孤岛连接起来;
S20、在联盟链上以智能合约的形式发布联邦机器学习任务;
S30、通过智能合约API接口将寻影助手加入联邦机器学习;
S40、对寻影助手中各节点的医疗数据进行汇总更新。
在本实施例中,通过区块链技术和联邦机器学习训练,实现了医疗数据的去中心化,解决了传统联邦学习依赖单一服务器的缺点。
在本实施例中,寻影助手中的智能眼科OCT模块配置了智能合约API接口,链上的节点可通过此接口加入联邦机器学习训练,区块链可在这样的迭代过程中不断储存各节点的更新记录,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。系统每隔一段时间选取临时节点进行参数的汇总更新,并将结果反馈回节点以及辅助系统。
如图2所示,在本实施例中,所述步骤S10包括:
S11、在所述多个数据孤岛中设置一一对应的多个分布式异步鉴别器;
S12、将所述多个分布式异步鉴别器和一个临时中心生成器组成对抗网络;
S13、通过所述临时中心生成器进行合成训练,生成与所述多个数据孤岛中的数据相近似的合成数据样本。
在本实施例中,在机器学习的模式上,智联平台引入了联邦机器学习,实现了多方协作训练,使得各企业机构在无需共享患者数据的情况下,针对共享模型开展协作,实现分散化的神经网络训练。
当获取训练任务后,智联平台通过将位于多个数据孤岛的分布式异步鉴别器和一个临时的中心生成器组成对抗网络,让临时中心生成器在不接触原始隐私数据的情况下,也能进行合成训练,从而能够生成与各数据孤岛中原始数据相近似的合成数据样本,供下游任务使用。在此基础上,还采用了2种损失函数,使得临时中心生成器具备一定的终身学习能力,可以在动态变化的数据孤岛环境中持续学习,比如学习过程中有新的机构加入或某些原有机构退出的情况,并从不同的数据孤岛中渐进地学习到同类数据甚至不同类数据的近似分布。由于避免了对原始数据的直接访问,智联平台秉承了联邦学习的核心优势,很好地解决了医疗数据的隐私保护问题。不仅如此,相较于传统的联邦学习,由于在实现方法上“另辟蹊径”,智联平台还有效减少了临时中心生成器与数据孤岛之间的通信数据量,仅需传输合成图像数据和反馈误差而非整个模型的所有参数数据,而且各数据孤岛之间无需交换任何数据或参数,因而可显著降低医疗机构之间通过联邦学习进行研究的成本,加快研究效率和AI模型的生产速度。
在本实施例中,所述对寻影助手中各节点的医疗数据进行汇总更新具体为:
通过分布式更新模型参数算法对寻影助手中各节点的医疗数据进行汇总更新。
在本实施例中,各节点采用适用于节点分布式更新模型参数的算法,在无中心化参数服务器的支持下完成机器学习模型参数的分布式更新与收敛。在每个训练回合开始,会由智能合约随机选出一个节点作为临时服务器,来担当处理全部节点梯度信息的责任。智能合约会将临时服务器的公钥发送给参与训练的其他节点。每个节点会在本地训练模型,并获得梯度信息,并将梯度信息存储在本地,然后利用公钥加密存储路径,将加密的存储路径写入智能合约。随后,临时服务器从智能合约读取收集到的全部加密存储路径。临时服务器读取到加密路径后,会对它们进行解密,然后从相应节点处下载本回合的梯度信息。临时服务器获得全部的梯度信息后,会对梯度信息进行整合。最简单的整合方式就是将全部的梯度取平均值。整合之后,临时服务器将整合后的参数存储在本地,并将存储路径分别用全部节点的公钥分别进行加密后,再写入智能合约。各节点通过读取智能合约,获取由它自己的公钥进行加密的参数路径。解密参数路径后连接到临时服务器下载本轮更新的参数信息。因为每轮训练的临时服务器都是由智能合约随机选择得出,每一轮的临时服务器几乎都是不同的,所以没有任何一个节点能够获得全部的中间梯度信息。而每个节点只掌握极个别轮次的中间梯度,因此排除了由于中间梯度所导致的隐私泄露的风险。
在本实施例中,所述寻影助手中设置有智能眼科OCT模块,所述智能眼科OCT模块具有OCT图像质量控制、AI病变筛查、AI病灶自动检测、OCT图像质量增强、AI辅助标注和多节点协同训练的功能。
在本实施例中,使用该系统可以帮助眼科医生完成初步的眼底疾病筛查,大幅度节省病患的检查时间。智能眼科OCT结合了OCT眼底检查和AI病灶筛查,AI辅助标注系统也会在此过程中不断学习,并进行图像处理与标注,使得每一张新的标注影像都能够成为训练的数据,进一步改善模型的准确度。
在本实施例中,所述智能眼科OCT模块搭载在智联平台以及Clara上。Clara平台是Nvidia推出的一个软件工具包,能够提供医学应用开发人员一系列用于GPU的函式库,像是计算、进阶可视化、AI技术相关的函式库。智能眼科oct系统同时配置了智能合约API接口,链上的节点可通过此接口加入联邦机器学习训练,区块链可在这样的迭代过程中不断储存各节点的更新记录,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。系统每隔一段时间选取临时节点进行参数的汇总更新,并将结果反馈回节点以及辅助系统。
实施例二
如图3所示,一种医疗数据共享装置,包括:
连接模块10,用于利用联盟链将多个数据孤岛连接起来;
发布模块20,用于在联盟链上以智能合约的形式发布联邦机器学习任务;
加入模块30,用于通过智能合约API接口将寻影助手加入联邦机器学习;
更新模块40,用于对寻影助手中各节点的医疗数据进行汇总更新。
在本实施例中,通过区块链技术和联邦机器学习训练,实现了医疗数据的去中心化,解决了传统联邦学习依赖单一服务器的缺点。
在本实施例中,寻影助手中的智能眼科OCT模块配置了智能合约API接口,链上的节点可通过此接口加入联邦机器学习训练,区块链可在这样的迭代过程中不断储存各节点的更新记录,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。系统每隔一段时间选取临时节点进行参数的汇总更新,并将结果反馈回节点以及辅助系统。
如图4所示,在本实施例中,所述连接模块包括:
设置单元11,用于在所述多个数据孤岛中设置一一对应的多个分布式异步鉴别器;
对抗单元12,用于将所述多个分布式异步鉴别器和一个临时中心生成器组成对抗网络;
训练单元13,用于通过所述临时中心生成器进行合成训练,生成与所述多个数据孤岛中的数据相近似的合成数据样本。
在本实施例中,在机器学习的模式上,智联平台引入了联邦机器学习,实现了多方协作训练,使得各企业机构在无需共享患者数据的情况下,针对共享模型开展协作,实现分散化的神经网络训练。
当获取训练任务后,智联平台通过将位于多个数据孤岛的分布式异步鉴别器和一个临时的中心生成器组成对抗网络,让临时中心生成器在不接触原始隐私数据的情况下,也能进行合成训练,从而能够生成与各数据孤岛中原始数据相近似的合成数据样本,供下游任务使用。在此基础上,还采用了2种损失函数,使得临时中心生成器具备一定的终身学习能力,可以在动态变化的数据孤岛环境中持续学习,比如学习过程中有新的机构加入或某些原有机构退出的情况,并从不同的数据孤岛中渐进地学习到同类数据甚至不同类数据的近似分布。由于避免了对原始数据的直接访问,智联平台秉承了联邦学习的核心优势,很好地解决了医疗数据的隐私保护问题。不仅如此,相较于传统的联邦学习,由于在实现方法上“另辟蹊径”,智联平台还有效减少了临时中心生成器与数据孤岛之间的通信数据量,仅需传输合成图像数据和反馈误差而非整个模型的所有参数数据,而且各数据孤岛之间无需交换任何数据或参数,因而可显著降低医疗机构之间通过联邦学习进行研究的成本,加快研究效率和AI模型的生产速度。
在本实施例中,所述对寻影助手中各节点的医疗数据进行汇总更新具体为:
通过分布式更新模型参数算法对寻影助手中各节点的医疗数据进行汇总更新。
在本实施例中,所述寻影助手中设置有智能眼科OCT模块,所述智能眼科OCT模块具有OCT图像质量控制、AI病变筛查、AI病灶自动检测、OCT图像质量增强、AI辅助标注和多节点协同训练的功能。
在本实施例中,各节点采用适用于节点分布式更新模型参数的算法,在无中心化参数服务器的支持下完成机器学习模型参数的分布式更新与收敛。在每个训练回合开始,会由智能合约随机选出一个节点作为临时服务器,来担当处理全部节点梯度信息的责任。智能合约会将临时服务器的公钥发送给参与训练的其他节点。每个节点会在本地训练模型,并获得梯度信息,并将梯度信息存储在本地,然后利用公钥加密存储路径,将加密的存储路径写入智能合约。随后,临时服务器从智能合约读取收集到的全部加密存储路径。临时服务器读取到加密路径后,会对它们进行解密,然后从相应节点处下载本回合的梯度信息。临时服务器获得全部的梯度信息后,会对梯度信息进行整合。最简单的整合方式就是将全部的梯度取平均值。整合之后,临时服务器将整合后的参数存储在本地,并将存储路径分别用全部节点的公钥分别进行加密后,再写入智能合约。各节点通过读取智能合约,获取由它自己的公钥进行加密的参数路径。解密参数路径后连接到临时服务器下载本轮更新的参数信息。因为每轮训练的临时服务器都是由智能合约随机选择得出,每一轮的临时服务器几乎都是不同的,所以没有任何一个节点能够获得全部的中间梯度信息。而每个节点只掌握极个别轮次的中间梯度,因此排除了由于中间梯度所导致的隐私泄露的风险。
在本实施例中,所述寻影助手中设置有智能眼科OCT模块,所述智能眼科OCT模块具有OCT图像质量控制、AI病变筛查、AI病灶自动检测、OCT图像质量增强、AI辅助标注和多节点协同训练的功能。
在本实施例中,使用该系统可以帮助眼科医生完成初步的眼底疾病筛查,大幅度节省病患的检查时间。智能眼科OCT结合了OCT眼底检查和AI病灶筛查,AI辅助标注系统也会在此过程中不断学习,并进行图像处理与标注,使得每一张新的标注影像都能够成为训练的数据,进一步改善模型的准确度。
在本实施例中,所述智能眼科OCT模块搭载在智联平台以及Clara上。Clara平台是Nvidia推出的一个软件工具包,能够提供医学应用开发人员一系列用于GPU的函式库,像是计算、进阶可视化、AI技术相关的函式库。智能眼科oct系统同时配置了智能合约API接口,链上的节点可通过此接口加入联邦机器学习训练,区块链可在这样的迭代过程中不断储存各节点的更新记录,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。系统每隔一段时间选取临时节点进行参数的汇总更新,并将结果反馈回节点以及辅助系统。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种医疗数据共享方法,其特征在于,包括:
利用联盟链将多个数据孤岛连接起来;
在联盟链上以智能合约的形式发布联邦机器学习任务;
通过智能合约API接口将寻影助手加入联邦机器学习;
对寻影助手中各节点的医疗数据进行汇总更新。
2.根据权利要求1所述的一种医疗数据共享方法,其特征在于,所述利用联盟链将多个数据孤岛连接起来包括:
在所述多个数据孤岛中设置一一对应的多个分布式异步鉴别器;
将所述多个分布式异步鉴别器和一个临时中心生成器组成对抗网络;
通过所述临时中心生成器进行合成训练,生成与所述多个数据孤岛中的数据相近似的合成数据样本。
3.根据权利要求1所述的一种医疗数据共享方法,其特征在于,所述对寻影助手中各节点的医疗数据进行汇总更新具体为:
通过分布式更新模型参数算法对寻影助手中各节点的医疗数据进行汇总更新。
4.根据权利要求1所述的一种医疗数据共享方法,其特征在于,所述寻影助手中设置有智能眼科OCT模块,所述智能眼科OCT模块具有OCT图像质量控制、AI病变筛查、AI病灶自动检测、OCT图像质量增强、AI辅助标注和多节点协同训练的功能。
5.根据权利要求4所述的一种医疗数据共享方法,其特征在于,所述智能眼科OCT模块搭载在智联平台上。
6.一种医疗数据共享装置,其特征在于,包括:
连接模块,用于利用联盟链将多个数据孤岛连接起来;
发布模块,用于在联盟链上以智能合约的形式发布联邦机器学习任务;
加入模块,用于通过智能合约API接口将寻影助手加入联邦机器学习;
更新模块,用于对寻影助手中各节点的医疗数据进行汇总更新。
7.根据权利要求6所述的一种医疗数据共享装置,其特征在于,所述连接模块包括:
设置单元,用于在所述多个数据孤岛中设置一一对应的多个分布式异步鉴别器;
对抗单元,用于将所述多个分布式异步鉴别器和一个临时中心生成器组成对抗网络;
训练单元,用于通过所述临时中心生成器进行合成训练,生成与所述多个数据孤岛中的数据相近似的合成数据样本。
8.根据权利要求6所述的一种医疗数据共享装置,其特征在于,所述对寻影助手中各节点的医疗数据进行汇总更新具体为:
通过分布式更新模型参数算法对寻影助手中各节点的医疗数据进行汇总更新。
9.根据权利要求6所述的一种医疗数据共享方法,其特征在于,所述寻影助手中设置有智能眼科OCT模块,所述智能眼科OCT模块具有OCT图像质量控制、AI病变筛查、AI病灶自动检测、OCT图像质量增强、AI辅助标注和多节点协同训练的功能。
10.根据权利要求9所述的一种医疗数据共享方法,其特征在于,所述智能眼科OCT模块搭载在智联平台上。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104552.9A CN112162959B (zh) | 2020-10-15 | 2020-10-15 | 一种医疗数据共享方法及装置 |
PCT/CN2020/132615 WO2022077720A1 (zh) | 2020-10-15 | 2020-11-30 | 一种医疗数据共享方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104552.9A CN112162959B (zh) | 2020-10-15 | 2020-10-15 | 一种医疗数据共享方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112162959A true CN112162959A (zh) | 2021-01-01 |
CN112162959B CN112162959B (zh) | 2023-10-10 |
Family
ID=73867194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011104552.9A Active CN112162959B (zh) | 2020-10-15 | 2020-10-15 | 一种医疗数据共享方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112162959B (zh) |
WO (1) | WO2022077720A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011598A (zh) * | 2021-03-17 | 2021-06-22 | 深圳技术大学 | 一种基于区块链的金融数据信息联邦迁移学习方法及装置 |
CN113033652A (zh) * | 2021-03-23 | 2021-06-25 | 电子科技大学 | 一种基于区块链与联邦学习的图像识别系统及方法 |
CN113778966A (zh) * | 2021-09-15 | 2021-12-10 | 深圳技术大学 | 高校教学与课程成绩的跨学校信息共享方法及相关装置 |
CN114154645A (zh) * | 2021-12-03 | 2022-03-08 | 中国科学院空间应用工程与技术中心 | 跨中心图像联合学习方法、系统、存储介质及电子设备 |
WO2022222152A1 (zh) * | 2021-04-23 | 2022-10-27 | Oppo广东移动通信有限公司 | 联邦学习方法、联邦学习系统、第一设备和第三设备 |
CN116682543A (zh) * | 2023-08-03 | 2023-09-01 | 山东大学齐鲁医院 | 一种区域康复信息的共享方法及系统 |
CN117894437A (zh) * | 2023-12-29 | 2024-04-16 | 湖南红普创新科技发展有限公司 | 数字病理学数据的集成共享方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008696A (zh) * | 2019-03-29 | 2019-07-12 | 武汉大学 | 一种面向深度联邦学习的用户数据重建攻击方法 |
CN110460600A (zh) * | 2019-08-13 | 2019-11-15 | 南京理工大学 | 可抵御生成对抗网络攻击的联合深度学习方法 |
US20190355483A1 (en) * | 2013-03-15 | 2019-11-21 | James Paul Smurro | Cognitive Collaboration with Neurosynaptic Imaging Networks, Augmented Medical Intelligence and Cybernetic Workflow Streams |
CN110689139A (zh) * | 2018-09-27 | 2020-01-14 | 谷歌有限责任公司 | 用于机器学习的方法和计算机系统 |
CN110827147A (zh) * | 2019-10-31 | 2020-02-21 | 山东浪潮人工智能研究院有限公司 | 一种基于联盟链的联邦学习激励方法及系统 |
CN111370098A (zh) * | 2020-04-27 | 2020-07-03 | 北京贝叶科技有限公司 | 一种基于边缘侧计算和服务装置的病理诊断系统及方法 |
CN111563275A (zh) * | 2020-07-14 | 2020-08-21 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
US20200293887A1 (en) * | 2019-03-11 | 2020-09-17 | doc.ai, Inc. | System and Method with Federated Learning Model for Medical Research Applications |
CN111695701A (zh) * | 2020-06-12 | 2020-09-22 | 上海富数科技有限公司 | 基于联邦学习实现数据集构建处理的系统及其构建生成方法 |
CN111695675A (zh) * | 2020-05-14 | 2020-09-22 | 平安科技(深圳)有限公司 | 联邦学习模型训练方法及相关设备 |
CN111698322A (zh) * | 2020-06-11 | 2020-09-22 | 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 |
CN111723948A (zh) * | 2020-06-19 | 2020-09-29 | 深圳前海微众银行股份有限公司 | 基于演化计算的联邦学习方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3477527A1 (en) * | 2017-10-31 | 2019-05-01 | Twinpeek | Privacy management |
CN108063752B (zh) * | 2017-11-02 | 2020-05-08 | 暨南大学 | 基于区块链与代理重加密的可信基因检测及数据共享方法 |
CN111754473A (zh) * | 2020-06-17 | 2020-10-09 | 平安科技(深圳)有限公司 | 用于3d图像的异常图像筛查方法、装置、设备及存储介质 |
-
2020
- 2020-10-15 CN CN202011104552.9A patent/CN112162959B/zh active Active
- 2020-11-30 WO PCT/CN2020/132615 patent/WO2022077720A1/zh active Application Filing
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190355483A1 (en) * | 2013-03-15 | 2019-11-21 | James Paul Smurro | Cognitive Collaboration with Neurosynaptic Imaging Networks, Augmented Medical Intelligence and Cybernetic Workflow Streams |
CN110689139A (zh) * | 2018-09-27 | 2020-01-14 | 谷歌有限责任公司 | 用于机器学习的方法和计算机系统 |
US20200293887A1 (en) * | 2019-03-11 | 2020-09-17 | doc.ai, Inc. | System and Method with Federated Learning Model for Medical Research Applications |
CN110008696A (zh) * | 2019-03-29 | 2019-07-12 | 武汉大学 | 一种面向深度联邦学习的用户数据重建攻击方法 |
CN110460600A (zh) * | 2019-08-13 | 2019-11-15 | 南京理工大学 | 可抵御生成对抗网络攻击的联合深度学习方法 |
CN110827147A (zh) * | 2019-10-31 | 2020-02-21 | 山东浪潮人工智能研究院有限公司 | 一种基于联盟链的联邦学习激励方法及系统 |
CN111370098A (zh) * | 2020-04-27 | 2020-07-03 | 北京贝叶科技有限公司 | 一种基于边缘侧计算和服务装置的病理诊断系统及方法 |
CN111695675A (zh) * | 2020-05-14 | 2020-09-22 | 平安科技(深圳)有限公司 | 联邦学习模型训练方法及相关设备 |
CN111698322A (zh) * | 2020-06-11 | 2020-09-22 | 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 |
CN111695701A (zh) * | 2020-06-12 | 2020-09-22 | 上海富数科技有限公司 | 基于联邦学习实现数据集构建处理的系统及其构建生成方法 |
CN111723948A (zh) * | 2020-06-19 | 2020-09-29 | 深圳前海微众银行股份有限公司 | 基于演化计算的联邦学习方法、装置、设备及介质 |
CN111563275A (zh) * | 2020-07-14 | 2020-08-21 | 中国人民解放军国防科技大学 | 一种基于生成对抗网络的数据脱敏方法 |
Non-Patent Citations (2)
Title |
---|
JAKUB KONE CN Y 等: "\"Distributed Machine Learning for On-Device Intelligence\"", 《EDINBURGH RESEARCH EXPLORER》 * |
董业 等: ""基于秘密分享和梯度选择的高效安全联邦学习"", 《计算机研究与发展》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011598A (zh) * | 2021-03-17 | 2021-06-22 | 深圳技术大学 | 一种基于区块链的金融数据信息联邦迁移学习方法及装置 |
CN113011598B (zh) * | 2021-03-17 | 2023-06-02 | 深圳技术大学 | 一种基于区块链的金融数据信息联邦迁移学习方法及装置 |
CN113033652A (zh) * | 2021-03-23 | 2021-06-25 | 电子科技大学 | 一种基于区块链与联邦学习的图像识别系统及方法 |
WO2022222152A1 (zh) * | 2021-04-23 | 2022-10-27 | Oppo广东移动通信有限公司 | 联邦学习方法、联邦学习系统、第一设备和第三设备 |
CN113778966A (zh) * | 2021-09-15 | 2021-12-10 | 深圳技术大学 | 高校教学与课程成绩的跨学校信息共享方法及相关装置 |
CN113778966B (zh) * | 2021-09-15 | 2024-03-26 | 深圳技术大学 | 高校教学与课程成绩的跨学校信息共享方法及相关装置 |
CN114154645A (zh) * | 2021-12-03 | 2022-03-08 | 中国科学院空间应用工程与技术中心 | 跨中心图像联合学习方法、系统、存储介质及电子设备 |
CN114154645B (zh) * | 2021-12-03 | 2022-05-17 | 中国科学院空间应用工程与技术中心 | 跨中心图像联合学习方法、系统、存储介质及电子设备 |
CN116682543A (zh) * | 2023-08-03 | 2023-09-01 | 山东大学齐鲁医院 | 一种区域康复信息的共享方法及系统 |
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 |
CN117894437A (zh) * | 2023-12-29 | 2024-04-16 | 湖南红普创新科技发展有限公司 | 数字病理学数据的集成共享方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112162959B (zh) | 2023-10-10 |
WO2022077720A1 (zh) | 2022-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162959A (zh) | 一种医疗数据共享方法及装置 | |
CN110991622B (zh) | 基于区块链网络的机器学习模型处理方法及节点 | |
WO2021114820A1 (zh) | 多方联合进行风险识别的方法和装置 | |
US20190098515A1 (en) | Collaborative computing and electronic records | |
CN109977694A (zh) | 一种基于协作深度学习的数据共享方法 | |
EP2409255B1 (de) | Verfahren zur erzeugung von asymmetrischen kryptografischen schlüsselpaaren | |
DE112021002797T5 (de) | Datenschutzerhaltende architektur für genehmigungspflichtige blockchains | |
CN112565289B (zh) | 基于区块链的医疗证照可信签发与验证系统及方法 | |
CN109191355A (zh) | 一种基于区块链的创伤数据共享系统 | |
CN107832629A (zh) | 区域医疗信息访问控制系统及方法 | |
US20190199733A1 (en) | Artificial intelligence data processing system and method | |
CN112101403A (zh) | 基于联邦少样本网络模型的分类方法、系统及电子设备 | |
CN110598110A (zh) | 业务推送方法和装置 | |
CN103455888A (zh) | 一种配置流程权限的方法及装置 | |
CN106302483A (zh) | 分权管理方法及系统 | |
CN107958703A (zh) | 一种基于mdt的远程信息同步管理和投票系统 | |
DE112020007364T5 (de) | Verfahren und verteiltes Ledger-System zur Unterstützung der gemeinsamen Nutzung digitaler Gesundheitsdaten von Reisenden in einer Reiseumgebung | |
CN112331353A (zh) | 一种基于区块链的医疗人工智能模型训练系统及方法 | |
CN113642034A (zh) | 基于横纵向联邦学习的医疗大数据安全共享方法和系统 | |
CN113127450A (zh) | 数据的维护方法、装置、计算机设备及存储介质 | |
CN109949913A (zh) | 一种供临床医生使用的患者教育云系统 | |
CN110599384A (zh) | 组织关系的转移方法、装置、设备及存储介质 | |
CN108475302A (zh) | 分析基因组数据的架构 | |
CN111092935B (zh) | 一种用于机器学习的数据共享方法和虚拟训练装置 | |
Nguyen et al. | Assembling a national health information infrastructure: The case of Vietnam |
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 |