会议主题：Federated Learning in Healthcare
主题: Federated Learning in Healthcare
日期: 2023-06-07 08:47:33
录制文件：https://meeting.tencent.com/v2/cloud-record/share?id=ec65d257-69ab-4807-b670-9312fb2a5bae&from=3
会议核心内容：首先付老师介绍了联邦学习，然后讨论联邦学习中的Non-IID问题并且从3个角度去解决该问题，最后介绍了一个开源平台MedPerf。
一、联邦学习中的non-IID问题
从三个角度解决non-IID问题
https://hzfu.github.io
二、开源平台MedPerf
开源代码：https://github.com/mlcommons/medperf
注明：这个平台涉及机器学习，因为对机器学习的配置安装不太熟悉，暂时没有去运行这个伪代码。
介绍这个开源平台：
MedPerf是一个开源框架，用于对人工智能模型进行基准测试，以提供临床疗效，同时优先考虑病人隐私并减轻法律和监管风险。它实现了联合评估，其中人工智能模型被安全地分发到各种设施进行评估。
这个平台有3种角色：
1、基准委员会
提供了正确的任务和正确的指标
- 定义特定医疗人工智能任务的基准规范；
- 创建在特定领域产生有影响力的人工智能的指导方针；
- 帮助改进您感兴趣领域的最佳实践。
2、研究人员
拥有训练有素的医疗人工智能模型，希望使用MedPerf评估其性能
- 测量您永远无法访问的私有数据集的模型性能；
- 联系特定的临床医生，这可以帮助您提高模型的性能；
- 演示结果是以可靠的方式获得的，并且可以复制。
3、临床医生
拥有真实数据集，希望参与模型的评估
- 评估人工智能模型对患者群体数据的表现如何；
- 与研究人员联系，帮助他们改善特定领域的医学机器学习；
- 帮助定义有影响力的医疗机器学习基准，这些基准转化为现实世界的结果。
4、结果
基准结果授权并使领导者能够改善医疗保健结果：患者结果、临床工作流程、成本降低等。
- 定义明确且具有临床意义的基准指标可以识别差距，并推动创新和影响。
- 基准结果可以是公开的，也可以是私人的，这取决于基准的规格。
- 基准结果保留了隐私，因为它们只是汇总的（即一个分数）。
