联邦学习是一种机器学习方法，它使多个医疗保健组织能够协作训练共享模型，而无需交换原始患者数据。 每个参与者不是集中数据，而是在本地的自身数据集上训练模型，并且仅与中央服务器共享模型更新（例如，梯度或权重）。 这些更新被聚合以改进全局模型，然后重新分发以进行进一步的训练。 这种方法通过将敏感的患者数据保留在其原始机构中来解决隐私问题和监管障碍（例如 HIPAA 或 GDPR）。 例如，医院可以共同开发一个模型，以预测使用患者生命体征和实验室结果的败血症风险，同时保持数据机密性。
联邦学习在医疗保健领域的一个关键应用是医学影像分析。 医院通常对于罕见病症的数据集有限，但是通过联邦学习汇集见解可以提高诊断准确性。 例如，NVIDIA 的研究人员通过在 20 个机构中使用 MRI 扫描训练脑肿瘤分割模型（无需共享图像）证明了这一点。 同样，联邦学习已被用于使用多家医院的电子健康记录 (EHR) 预测 COVID-19 的结果。 另一个例子是药物发现：制药公司可以使用专有化合物数据协作开发毒性预测模型，从而避免直接的数据共享。 像欧盟的 MELLODDY 这样的项目突出了这一点，在该项目中，联邦学习使九家公司能够改进预测模型，而无需暴露内部数据集。
从技术角度来看，在医疗保健领域实施联邦学习的开发人员必须解决通信效率、数据异构性和安全性等挑战。 跨机构的非 IID（非独立同分布）数据（例如不同的患者人口统计数据或影像协议）会降低模型性能。 自适应聚合算法或数据增强等技术可以缓解这种情况。 通常会添加安全聚合协议（例如同态加密）和差分隐私，以防止从模型更新中反向工程敏感信息。 TensorFlow Federated 或 PySyft 等框架提供了用于构建这些管道的工具，但是开发人员仍然必须优化计算开销和网络延迟。 此外，确保一致的参与并在利益相关者之间协调激励仍然是一个实际障碍，需要仔细的系统设计和治理策略。