今天分享的是:隐私计算在医疗大数据共享中的探索实践
报告共计:30页
医疗领域多个方向需要高质量数据驱动研究,但面临机构内数据治理和跨机构数据整合挑战。医渡云通过机构内数据接入到认知能力建设节省人力和时间成本,在机构间采用隐私计算技术路线,包括多方安全计算、联邦学习和联盟链技术,并搭建了隐私计算平台核心架构YIDUMANDA。针对联邦学习中的异构数据源、可审计与贡献、隐私保护等问题进行探索,提出FedGFO、FedSSO等算法优化性能,以及面向智能医疗的贡献感知联邦学习方案解决贡献评估问题。同时,利用区块链确保联邦学习全流程可信。医渡云还构建了基于隐私计算技术的多中心科研平台,实现人群筛选、指标自动计算等功能,并进行了念珠菌血症感染预测的多中心研究,验证了联邦学习算法在无原始数据传输情况下支撑多中心研究的可行性。
以下为报告节选内容