聯(lián)邦學習（federated learning）使人工智能能夠在不損害患者隱私的情況下，通過在醫(yī)院數(shù)據(jù)上訓練模型來幫助預測疾病爆發(fā)。這項技術在構(gòu)建強大的疾病監(jiān)測系統(tǒng)以更好地應對公共衛(wèi)生事件的同時，確保了敏感健康信息的安全。

在巴西，雨季帶來的不僅是洪水和潮濕，往往還伴隨著登革熱的流行。登革熱是一種由蚊子傳播的疾病，會導致患者發(fā)高燒、出皮疹，嚴重時甚至會危及生命。

過去25年間，巴西已有超過1800萬人感染登革熱，而到2024年6月，該病的病例數(shù)激增，已達600萬例，死亡4000人。受登革熱影響的不止巴西，世界衛(wèi)生組織的數(shù)據(jù)顯示，全球約有一半人口面臨登革熱風險，每年估計有1億至4億人感染。

自COVID-19以來，全球研究人員紛紛借助人工智能監(jiān)測潛在的疾病暴發(fā)情況。但這些努力面臨一個主要障礙：獲取敏感的健康數(shù)據(jù)。聯(lián)邦學習技術使醫(yī)院和相關機構(gòu)能夠在不共享患者數(shù)據(jù)的情況下構(gòu)建預測模型。

IEEE會員Márcio Teixeira參與了 “登革熱預警” 項目，該項目旨在訓練機器學習模型，以預測登革熱的嚴重程度、識別疫情暴發(fā)模式并優(yōu)化資源分配。

下文將介紹Teixeira對聯(lián)邦學習及其在登革熱防控中的應用所做的相關闡述。

什么是聯(lián)邦學習？它與其他人工智能技術有何不同？

聯(lián)邦學習是一種能讓研究人員在不將訓練數(shù)據(jù)從其原始位置移走的情況下訓練人工智能模型的技術。例如，假設有多家醫(yī)院或衛(wèi)生中心，每家都存有登革熱患者的數(shù)據(jù)。一個共享的人工智能模型會被發(fā)送到每家醫(yī)院，然后僅利用該醫(yī)院現(xiàn)有的數(shù)據(jù)在本地對模型進行訓練。之后，模型只將學到的內(nèi)容（即模型的更新部分）發(fā)送回中央服務器，這些更新會被匯總起來以改進全局模型。這一過程會重復多次，直到全局模型完全訓練完成 —— 而在此過程中，始終不會接觸到實際的患者數(shù)據(jù)。

傳統(tǒng)的人工智能技術會將所有數(shù)據(jù)集中到一個地方來訓練模型，這可能會帶來隱私風險。而聯(lián)邦學習讓數(shù)據(jù)留在原地（在這個例子中就是留在醫(yī)院），并在本地訓練模型。這使得聯(lián)邦學習更適合處理敏感數(shù)據(jù)。

是什么促使您在這一領域開展研究？

我們的研究動機源于對利用創(chuàng)新且保護隱私的技術改善登革熱監(jiān)測與治療的迫切需求。登革熱仍是一個重大的公共衛(wèi)生問題，尤其在巴西等地區(qū)，疫情暴發(fā)給醫(yī)療系統(tǒng)帶來了巨大壓力。

構(gòu)建準確的預測模型需要獲取敏感的醫(yī)療數(shù)據(jù)，而這會引發(fā)倫理和法律方面的挑戰(zhàn)。巴西及許多其他國家都有嚴格的法律，對健康數(shù)據(jù)的使用、存儲和共享進行規(guī)范。

健康數(shù)據(jù)極具價值，因為它包含個人信息，如全名、出生日期、地址、病史等。一旦犯罪分子獲取這些數(shù)據(jù)，他們可能會竊取患者身份，用于賬單詐騙、虛假治療、偽造保險索賠或發(fā)起針對性的釣魚攻擊。

人工智能如何幫助預測和預防登革熱疫情？為什么這種疾病是該技術的良好測試案例？

人工智能能夠分析大量的健康、環(huán)境和行為數(shù)據(jù)，從中識別出人類可能忽略的模式。就登革熱而言，機器學習可用于及早識別高風險患者，并根據(jù)天氣狀況預測疫情 —— 因為蚊子會利用積水進行繁殖。

聯(lián)邦學習還能通過哪些方式在保障我們隱私的同時，為我們提供更優(yōu)質(zhì)的技術？

聯(lián)邦學習為智能技術的開發(fā)提供了一種新途徑，既能推動技術發(fā)展，又不會損害用戶隱私。除醫(yī)療領域外，它還應用于多個行業(yè)。例如，銀行可以通過協(xié)作識別欺詐模式，同時不會泄露客戶記錄；它也被應用在智能手機中，你的手機會在本地進行學習，但會為全局模型的優(yōu)化貢獻力量，而信息始終不會離開你的設備。

了解更多：數(shù)字化醫(yī)療設備能夠?qū)崿F(xiàn)更個性化的診療方案，并為提升健康預后效果帶來新希望。但它們可能成為網(wǎng)絡犯罪分子的目標，尤其是當這些設備通過無線方式連接到互聯(lián)網(wǎng)時。