联邦学习智慧医疗综述

摘要

通信技术和医疗物联网的最新进展改变了由人工智能(AI)实现的智能医疗。传统上，人工智能技术需要集中的数据收集和处理，但由于现代医疗网络的高度可扩展性和日益增长的数据隐私问题，这在现实的医疗场景中可能不可行。联邦学习(FL)是一种新兴的分布式协同人工智能范式，通过协调多个客户(如医院)在不共享原始数据的情况下进行人工智能训练，对智能医疗保健特别有吸引力。因此，我们提供了一个关于FL在智能医疗中的使用的全面综述。首先，我们介绍了FL的最新进展、在智能医疗中使用FL的动机和要求。最近FL设计智能医疗然后讨论,从resource-aware FL,安全和privacy-aware FL激励FL和个性化FL。随后,我们提供在关键的新兴应用FL医疗领域的综述,包括健康数据管理、远程健康监测,医学成像,和COVID-19检测。本文分析了最近几个基于FL的智能医疗项目，并强调了从综述中得到的关键教训。最后，我们讨论了有趣的研究挑战和未来FL研究在智能医疗可能的方向。

引言

医疗物联网(IoMT)的革命改变了医疗保健行业，改善了人类的生活质量。在智能医疗环境中，IoMT设备(如可穿戴传感器)被广泛用于收集医疗数据，用于人工智能(AI)[2]启用的智能数据分析，以实现大量令人兴奋的智能医疗应用，如远程健康监测和疾病预测。例如，人工智能技术，如深度学习(DL)已证明其在生物医学图像分析方面的巨大潜力，可通过处理大量健康数据来促进医疗服务[3]的提供，从而有助于慢性病的早期检测。

传统上，智能医疗系统通常依赖于位于云或数据中心的集中AI功能来学习和分析健康数据。随着现代医疗网络中健康数据量的增加和IoMT设备的增长，由于原始数据传输的原因，这种集中式解决方案在通信延迟方面效率不高，无法实现很高的网络可扩展性。此外，依赖这样的中央服务器或第三方进行数据学习引起了关键的隐私问题，例如，用户信息泄露和数据泄露[4]。在电子医疗保健领域尤其如此，在电子医疗保健领域，与健康有关的信息高度敏感，属于私人信息，受《美国健康保险便携性和问责法》(HIPPA)[5]等卫生法规的约束。此外，在未来的医疗系统中，这种集中式AI架构可能不再适用，因为健康数据不是集中放置的，而是分布在大规模的IoMT网络上。因此，迫切需要采用分布式AI方法，在网络边缘实现可扩展和保护隐私的智能医疗保健应用程序。

在这种背景下，联邦学习(FL)已经成为一种很有前途的解决方案，可以实现具有成本效益的智能医疗应用程序，并改善隐私保护[6-9]。从概念上讲，FL是一种分布式人工智能方法，通过平均从多个健康数据客户(如IoMT设备)汇总的本地更新，而不需要直接访问本地数据[10]，从而能够训练高质量的人工智能模型。这可能防止泄露敏感用户信息和用户偏好，从而降低隐私泄露风险。此外，由于FL吸引了来自多个卫生数据客户的大量计算和数据集资源来训练人工智能模型，卫生数据训练质量(如准确性)将得到显著提高，而使用数据较少和计算能力有限的集中式人工智能方法可能无法实现这一目标。

目前还没有针对FL在智能医疗中的应用进行全面综述的工作。此外，在开放文献中仍然缺少在新兴医疗保健应用中使用FL的整体分类。这些限制促使我们对FL在智能医疗中的集成进行广泛的综述。特别地，我们首先确定了在智能医疗中使用FL的关键动机并强调了其需求。然后，我们发现了用于智能医疗的最新先进FL设计。随后，我们提供了关于FL在智能医疗领域新兴应用的最新调研，如电子健康记录(EHR)管理、远程健康监测、医学成像和COVID-19检测。本文还总结了调研所得的经验教训，供读者参考。本文总结贡献如下：

(1) 我们介绍了在智能医疗中使用FL的最新调研，首先介绍了FL的概念，并讨论了使用FL智能医疗的动机和技术要求。

(2) 我们介绍了最近先进的FL设计，这些设计将有助于联合智能医疗应用，包括资源感知的FL、安全和隐私增强的FL、激励感知的FL和个性化的FL。

(3) 我们通过广泛的关键领域提供了关于FL在智能医疗中的关键应用的最新综述。即联邦EHRs管理、联邦远程健康监视、联邦医学成像和联邦COVID-19检测。本文提供了与FL医疗保健用例相关的正在出现的实际项目，并强调了从调研中吸取的关键教训。

(4) 最后，我们强调了FL-smart 医疗的有趣挑战并讨论了未来的发展方向。