Nature封面：人工智能AI新算法！跨越卫生保健数据隐私问题进行学习

6月15日立即，人工脑的网络应用新进展又一次挤进国际刊物《自然地》（Nature）内页。

族这群人计算机系统受蜂巢、蜂这群人这类社也许会性生物的道德上启迪而来，可常用得出体育赛事、投票表决等活动的结果。但它还可以做到相当多。比如，在不违反个人资料规的意味著将来自亚洲地区的保健资料开展定位，以便短时间速确实地验证患上轻微病症的病征。

近来，德国柏林大精研的精研术研究部门联合苹果公司公司以及来自希腊、荷兰、德国的多家精研术研究部门，一共同共同开发了一种将边缘近似值、基于区块链的对等的网络紧密结合慢慢地的这样一来式机器精研习作规——「Swarm Learning」（族这群人努力精研习，SL），可以从这样一来读取的资料中都验证显露多种病症，有利于较慢亚洲地区区域内的精准保健协同，能常用相异保健部门彼此之间间资料的定位

精研术研究部门基于1.64万份血清激活组成技工和9.5万份腰部X射线图表资料，适用范围SL为脑癌、罹患和呼吸道病症、COVID-19共同开发病症验证均值，注意到SL在受限制隐瞒标准规范的同时相对于单个保健部门共同开发的均值。插值定位显露患病幼体的正确率，在血清激活组成技工资料大部分高达为90%，在X射线图表资料大部分展览显露为76%-86%。

成果于5月27日以 Swarm Learning for decentralized and confidential clinical machine learning 为题发表在杂志 Nature 上，并挤进了最新一期的杂志内页。

期刊链接：

短时间速确实地验证患上轻微病症的病征是精准保健的主要尽也许，而 AI 可以很好地辅助。但由于个人资料规的保护，种系统所设计上的可取和实施上的若无彼此之间间存有着前所未见的差异。虽然 AI 大幅提高效率本质上相关联合理的插值，但也就是时说却相当相关联大资料。现阶段，大量的资料掌握在世界各地成百上千万的保健部门手中都，并不需要公一共安全高效地特别联，而各自的本地资料又难以受限制人工脑的网络的体能训练。

针对这一难题，柏林大精研的 Joachim Schultze 和他的协同伙伴提显露了一种名为 Swarm Learning（这群人努力精研习）的去实体人工脑的网络种系统，取而代之了也就是说包涵部门药精研精研术研究中都大部分资料特别联的方式。Swarm Learning 通过 Swarm 的网络特别联变量，再在各个客运站的本地资料上法理构建静态，并并用区块链种系统所设计对意图毁损 Swarm 的网络的无中生有旁观者规避强有力的紧急措施。

Swarm learning 的框架

一、比联邦议会努力精研习相当公一共安全，SL可公共利益保健资料特别联

精准保健的尽也许是能短时间速正确地验证显露患上轻微病症和异质性病症的病征，而人工脑的网络有利于借助于这一尽也许，例如根据病童的血清激活组成技工资料来定位有否患上脑癌。然而，应用应用到也就是时说还存有很多难题。

基于机器精研习（AI）的病症病患作规，本质上不仅相关联合理的插值，相当相关联大型体能训练资料集。由于药精研资料本身是这样一来的，保健部门本地的资料量有时候过剩以体能训练显露确实的均值。因此，根据保健资料构建显露的静态，仅能解决本地难题。

从机器精研习相反，将各地保健资料开展大部分处理是相当好的选择，但这存有难以避免的缺陷。除此以外资料每秒钟难题，以及对资料所有权、复杂性、个人资料性、公一共相容性和资料独霸等情况的担忧。

因此，只能相当有效、正确、高效的大幅提高效率，并且并不需要在个人资料和道德之外借助于隐瞒要求，还要开展公一共安全和容错所设计。

联邦议会努力精研习作规（Federated Learning）解决了其中都的一些难题。资料保存有资料拥有权本地，复杂性难题给予解决，但变量设置仍要的中都央解决问题技工解决问题。此外，这种复合架构降高了容错战斗能力。

相比于已更为大行其道的联邦议会努力精研习作规，相当好的选择是规避大部分去实体的机器精研习大幅提高效率，即SL来借助已经有提议的过剩，适于药精研应用固有的这样一来式资料结构以及资料个人资料和公一共安全规规的要求。

SL具以下占有优势：（1）将大量保健资料保存至资料拥有权本地；（2）不只能比如时说原始资料，从而大幅提高资料每秒钟；（3）透过高级别别的资料公一共安全公共利益；（4）并不需要确保的网络中都成技工的公一共安全、透明和公平加入，不再只能的中都央托管地技工；（5）容许变量合并，借助于所有成技工决定权均等；（6）可以保护人工脑的网络静态不受攻击。

从观念上谈，如果本地有充足的资料和近似值机程序基础设施，人工脑的网络就可以在本地开展。

对比几种人工脑的网络作规，精研术研究部门注意到，基于虹的人工脑的网络（Central Learning）也许会消除资料大部分方向移动，可常用体能训练的资料量大大大幅提高，相比于资料和近似值在不特别处的Local Learnling作规，人工脑的网络的结果给予进一步大幅提高，但存有资料移位、资料每秒钟大幅提高以及资料个人资料、资料公一共安全等之外的难题。联邦议会努力精研习作规适用范围特别所设计变量IP全权负责单体和派送，其他的中都央结构仍被保有。SL，省去特别所设计IP，通过Swarm的网络特别联变量，并且在各个路由表的私有资料上法理构建静态。

四种人工脑的网络作规更为

SL透过公一共安全紧急措施以支持资料主权，这由拥有者批准后的区块链种系统所设计借助于。每个旁观者都有时说明的；也定，只有预先认可批准后的旁观者才可以执行交易。最初路由表加入是特性的，有合理的认可紧急措施来定位的网络旁观者。新路由表通过区块链计算机系统合约备案，获取静态，并执行静态的本地体能训练，知道受限制；也定的连动条件。接下来，静态变量通过Swarm应用软件编程接口（API）开展比如时说，并开始下一轮，合并创建一个具相当新变量设置的相当新静态。

在每个路由表，SL分为中都间件和网络层。应用应用环境除此以外人工脑的网络该平台、区块链和SLL。网络层则包含静态，例如数据分析来自脑癌、罹患和COVID-19病征的血清激活组成技工资料或辐射影象等给予的静态结构。

二、族这群人努力精研习，源于自然地的素材

三、体能训练抽取大幅提高50%时，SL机动性仍相当优

精研术研究一共展览了四个情形：

情形一是，适用范围12000多位病征的外周血单个核细胞膜（PBMC）激活组成技工资料构成的三个资料集（A1-A3，除此以外两种一般来时说的微阵列和RNADNA），以及默认设置的连续深度脑的网络插值来开展试验。

针对每个真实世界桥段，抽取被包含不移位的体能训练资料集和一个一个种系统试验资料集，常用试验在单个路由表上SL设立的静态。体能训练资料集以相异的常见于方式被“永久性”在每个Swarm路由表上，来模拟器临床保健上的特别桥段。

急性髓细胞膜脑癌（AML）病征的抽取作为传染病（cases），其他所有抽取作为相当少成技工（controls）。模拟器中都的每个路由表，都可以象征性一个保健中都心地带、一个医院的网络、一个第三世界或任何其他法理的组成技工织，这些组成技工织也许会消除有个人资料要求的本地保健资料。

SL验证脑癌

首先，把传染病和相当少成技工不均匀的常见于到路由表（资料集A2）和路由表上，注意到SL结果相对于单个路由表的机动性。在这种意味著，中都心地带静态的展览显露仅略好于SL。适用范围资料集A1和A3试验或多或少有相当相似的结果，这强力支持了SL机动性的大幅提高跟资料抽取或者资料生成种系统所设计（微阵列或RNADNA）无关的看法。

另外五个桥段或多或少在资料集A1-A3上开展了试验：（1）在试验路由表适用范围均匀常见于的抽取，其传染病和相当少成技工%与第一个桥段中都的相似；（2）适用范围均匀常见于的抽取，但将来自特定临床精研术研究的抽取分开，使体能训练路由表和路由表彼此之间间有相异的传染病和相当少成技工%：（3）大幅提高每幼体能训练路由表的抽取个数；（4）在特别所设计体能训练路由表适用范围相异种系统所设计生成的孤立抽取；（5）适用范围相异的RNA-seq种系统所设计。在这些桥段中都，SL的展览显露都相对于单路由表机动性，并且相似或者和中都心地带静态机动性相同。

急性细胞膜会脑癌（ALL）病征的抽取或多或少在这几个桥段下开展了试验，将病患范围扩展至以四种脑癌一般来时说为主的多类难题。

情形二是，用SL从血清激活组成技工资料中都定位罹患病征。

基于罹患抽取，将传染病和相当少成技工%均匀常见于在各路由表中都。结果显示，在这些条件下，SL的机动性相对于单路由表机动性，并且展览显露略好于的中都央静态。精研术研究仅对一般来时说罹患开展病患。将潜伏病菌的罹患病征作为相当少成技工，抽取和相当少成技工保持均匀常见于，但大幅提高常用体能训练的抽取数量。在这些相当具面对性的条件下，虽然SL整体机动性有所降低，但是SL机动性仍然相对于任何单路由表机动性。

体能训练抽取大幅提高50%时，SL仍然相对于单路由表机动性，不过这时单路由表和SL机动性都更为高。然而与一般条件下的观察结果原则上，SL机动性与中都心地带静态更为相似：体能训练资料大幅提高时机器精研习的展览显露相当好。将三个路由表的体能训练资料包含六个较小路由表时也许会降高每个路由表的机动性，但是并用SL消除的结果并不会不好。

SL验证罹患

由于罹患具地方性形态，罹患抽取可以用来模拟器潜在爆发的情景，以便确认SL的占有优势和潜在限制，进而精研术研究确认如何解决这些难题。

由路由表模拟器的三个法理区域已经有充足的但相异数量的传染病抽取，在这种意味著，SL的结果大部分和早先不会什么波动。而情形和相当少成技工最少的路由表机动性显着降低。试验路由表的情形%降高避免路由表机动性不好。

情形三是，适用范围一个大型的官方腰部X射线图表资料集来解决多类得出难题。SL在得出所有辐射精研注意到（肺积水、渗显露、灌注和无注意到）之外相对于每个路由表的机动性，这时说明了SL也适用范围于非激活组成技工资料应用。

情形四，谈论了SL有否可以常用验证COVID-19病征。虽然有时候COVID-19是适用范围基于PCR的验证作规来验证大肠杆菌RNA。但在菌株未知、特定菌株验证已为不也许、现有验证也许消除；也阴性结果等意味著，评估特定消化道反应也许是有益的，而精研术研究血清激活组成技工有利于了解消化道的免疫反应。

SL验证COVID-19

笔记通过在中欧雇用相当多的保健中都心地带来获取资料，这些中都心地带在年龄组、性别和压制病症的相对上有相异的病征常见于，由此生成了八个单独特定的中都央长子资料集。

SL可以应对性别、年龄组或双重病菌等偏差，并在区分轻度和重度COVID-19病征时，SL的展览显露相对于单路由表机动性。证据时说明了，来自COVID-19病征的血清激活组成技工象征性了一个可以应用应用SL的特定应用。

四、SL前景宽阔，较慢亚洲地区精准保健协同

随着各方都在关注如何进一步大幅提高资料个人资料和公一共安全难题以及大幅提高资料每秒钟和移位，去实体的资料静态将成为处理、读取、管理和数据分析任何一般来时说的大型保健资料集的首选作规。

与此特别精研之外，基于人工脑的网络的验证、流感大肠杆菌数据分析和结果得出都取得了现阶段顺利，但是其进展受到资料集需求量极小的冲击，现阶段的个人资料规规使得共同开发大部分式机器精研习种系统的吸引力降高。

SL作为一种去实体的努力精研习种系统，取而代之了也就是说包涵部门药精研精研术研究中都资料特别联的方法论。

对于意图毁损Swarm的网络的人，SL的区块链种系统所设计透过了强有力的应对紧急措施。SL通过所设计透过了隐瞒的人工脑的网络，可以传给差分个人资料插值、函数身份验证或身份验证特别所设计努力精研习作规之外的新进展。

亚洲地区协同和资料特别联相当不可忽视，并且SL在这两个之外存有固有占有优势，并且相当大的占有优势是不只能资料特别联而反之亦然转换成知识特别联，从而借助于大部分资料隐瞒条件下的亚洲地区协同。

事实上，立规者强调的个人资料规则在遭遇大需求量大行其道病时大部分适用范围。与此特别此类政治危机中都，机器精研习种系统只能遵守道德规章并且尊重人权。像SL这样的种系统——容许公平、透明和被高度监管的特别联资料数据分析同时保护资料个人资料——将受到青睐。

精研术研究部门忽视应该追寻SL根据X射线图表或CT扫描结果、一个通用保健详细描述资料或者来自于病症的可穿戴设备资料，来对COVID-19开展基于图表的病患。

SL常用激活组成技工精研（或其他药精研资料）数据分析是相当有前途的作规，可以在药精研应用的推广机器精研习的适用范围，同时大幅提高资料复杂性、个人资料和资料保护相对，以及大幅提高资料每秒钟。

五、亚洲地区SARS取材下，期待SL缺少

这篇精研术研究证明了SL的机动性的确实性。在亚洲地区SARS依然持续的意味著，大肠杆菌随之消除最初var，对于各国保健部门都是一种面对。如果并用SL种系统所设计在资料隐瞒的意味著对亚洲地区特别的保健资料开展定位数据分析，相当短时间病患病情，也许对压制SARS也许会有不可忽视帮助。

资料是机器精研习转型的血清，但是资料个人资料公一共安全的难题愈发引人注意。我们已经了解到联邦议会努力精研习种系统所设计能让资料在脱敏的意味著被处理数据分析，现在，SL成为一种新作规。它将通过常见于式作法，为资料公一共安全应用应用及机器精研习行业的转型造就最初随之而来。

Schultze 坚信他们的成果将也许会对亚洲地区区域内的保健资料特别联消除革命性。「我深信 Swarm Learning 可以大大地推动药精研精研术研究和其他资料动力的精研科。现阶段的精研术研究只是一次试运营。未来，我们想将这项种系统所设计应用应常用阿尔茨海默氏症和其他脑衰退性病症。」

苹果公司机器精研习总监种系统所设计卿后任高级别副总裁 Eng Lim Goh 博士也声称：「Swarm Learning 为药精研精研术研究和商业协同修筑了最初机也许会。关键是所有旁观者都可以彼此之间努力精研习，而不必特别联情报部门资料。」

上述内容来自机器不免，智外面等