近来，总医院医学立异研讨部某研讨中心何昆仑主任团队在威望期刊《Transactions on Pattern Analysis and Machine Intelligence》（简称TPAMI）上宣布了“个性化与大局混合战略下的医学联邦学习模型”的研讨成果。

  联邦学习是一种立异的机器学习形式，它答应多个参加方在无需会集数据的状况下一起练习模型。这种形式保证了数据隐私和安全，一起又能充沛的使用涣散的数据资源来进步AI模型的效能，完成“数据不动模型动，常识同享隐无忧”。

  联邦学习作为一种散布式学习方法，有保证数据隐私安全和整合多中心数据以练习高效人工智能模型的优势，对发掘灵敏医学数据有巨大潜力。但是，多中心医学数据散布不均的问题一向阻止着散布式学习的广泛应用。

  为处理这一难题，何昆仑主任团队创始性地施行了个性化联邦学习战略，将医学信息细分为个性化和大局化两部分，依据各中心数据的共同散布状况，量身定做学习计划。此外，团队还提出了高效的更新精简战略，有用减轻了联邦学习模型在数据传输过程中对网络资源的需求。

  试验标明，该团队规划的个性化联邦学习算法在多中心医学数据学习使命中表现出色，其功能到达世界领先水平。尤其是在通讯压缩比高达500倍以上的极点条件下，该算法仍能安稳有用地聚合医学数据信息，展示了极高的工作效率。

  现在，跟着高度隐私的医学数据日益成为各大医院的名贵资源，怎么安全、高效地使用这一些数据，完成AI技能与医学数据的深层次地交融，以赋能医学实践，成为亟待处理的要害问题。

  何昆仑主任团队的个性化联邦学习算法是AI在医学实践范畴获得的一项要害开展，为多中心医学数据的广泛应用供给了有力支撑。未来，该团队将持续深化人工智能理论研讨，紧密结合医学数据的特性，不断的进步联邦学习在各类医学场景中的适配性、安稳性和安全性，为医学智能化开展贡献力量。