提前预测重大疾病！联邦学习打破数据壁垒，医疗AI不再是空中楼阁。

智东西(微信官方账号:zhidxcom) |李水清

近日，腾讯田燕实验室与微众银行的联合研究表明，联邦学习与医疗的深度融合对落地疾病预测领域有很大帮助。目前已经搭建了基于联邦学习技术的大数据集中和挖掘平台。从落地案例来看，可以将笔画预测的准确率提高到80%。

近年来，医疗行业正在进行数字化转型。这种基于大数据和AI技术的变革，几乎改变了整个行业的方方面面，“信息就是力量”这句格言得到了淋漓尽致的体现。人们对人工智能寄予厚望，希望它能真正深入临床一线，帮助医生和患者。

理想很丰满，现实却很骨感。在这一巨变下，作为医疗AI成长不可或缺的“食物”，数据成为了医疗AI落地的“拦路虎”——国内医疗健康数据领域长期存在的“信息孤岛”问题。不同地区甚至医院的医疗数据没有互联互通，没有统一的标准。与此同时，数据安全问题也面临着巨大的挑战。

数据让医疗AI成为空中楼阁。在这一难题下，腾讯田燕实验室与微众银行联合开发了医疗联邦学习框架，成功实现了不同医院数据隐私保护下的疾病预测模型，解决了医疗行业数据安全和隐私保护问题。这是联邦学习在医疗健康大数据领域应用的首个成功案例，为分诊诊疗、慢病防控、疾病早期筛查、医保控费落地等医疗健康的各种潜在应用探索了新的方向。首先，打破数据壁垒，保护数据隐私

在重大疾病早期筛查和预测领域，要想成功建立大数据疾病预测模型，需要对不同医院的居民医疗信息和健康档案进行整合建模。然而，由于信息系统的不统一，医院管理机构对数据隐私泄露的担忧，以及相关数据保护法规的限制，相关机构之间形成了数据壁垒，很少有医院愿意共享数据，这使得AI很难在疾病预测领域“施展拳脚”。

在这个问题下，联邦学习成了“良方”。联邦学习是一种新的人工智能机器学习框架。其设计目标是在保证信息安全、保护终端数据和个人数据隐私、确保合规的前提下，在多个参与者或计算节点之间进行高效的机器学习。联邦学习作为一种分布式机器学习范式，可以有效解决数据孤岛问题，让参与者在不共享数据的基础上联合建模，从技术上打破数据孤岛，实现AI协同。

这项技术最早由谷歌在2016年提出，随后微众银行在首席人工智能官杨强教授的带领下，首次提出“联邦转移学习”，并开发了联邦学习框架Federated AI Technology Enabler(FATE)，推动联邦学习技术在行业内的应用。此前，联邦学习在金融、互联网、智能、智能等领域已经有不少成功的应用，但在医疗领域，由于医疗知识的专业性，电子病历的复杂性给联邦学习的建设带来了种种困难。

近日，腾讯田燕实验室结合自身医疗机器学习和自然语言处理的优势，与微众银行一起，将联邦学习与医疗深度融合，将医疗模型与机器学习有机融合。通过搭建基于联邦学习技术的大数据集中和挖掘平台，他们共同开发医疗医疗联邦学习技术。

这种创新技术让医疗行业的数据问题“病有所医”。联邦可以绕过医疗机构之间的信息壁垒，而不是合并各自的数据，而是通过协议在它们之间传输加密信息。这个加密过程有一定的隐私保护机制，保证加密的信息不会造成数据泄露。每个医疗机构利用这些加密信息更新模型参数，从而实现使用所有患者数据而不暴露原始数据的训练过程。

举个例子，假设A医院和B医院想联合训练一个中风疾病预测模型，两个医院都有自己的科研病例数据。此外，B医院还有模型标签数据需要预测，比如中风发病率标签。出于数据隐私保护和安全考虑，甲医院和乙医院不能直接交换数据。联邦学习系统可以使用基于加密的患者样本比对技术，在不公开各自数据的前提下，确认A医院和B医院的共享患者，不暴露互不重叠的患者，从而结合这些用户的特征进行建模。确定了共享的用户群后，就可以用这些数据来训练疾病预测模型。