近几年，医疗行业的数字化转型，大数据和AI技术被寄予厚望。
那如何才能发挥这些技术“信息就是力量”的作用，最终实现科技服务临床一线、帮助医生和患者呢？
实现这一切的关键是解决医疗数据的互联互通、标准建立及安全等问题。
那如何才能破解这一难题，不让医疗AI成为“空中楼阁”呢？
现在，腾讯天衍实验室通过联合微众银行，研发了医疗联邦学习框架，也是联邦学习在医疗健康大数据领域应用的首个成功案例！
通过实现在保护不同医院数据隐私下的疾病预测模型，破解医疗行业数据安全与隐私保护难题，为医疗大健康的各种潜在应用如分诊诊疗、慢病防控、疾病早筛、医保控费的落地等探索出了新的方向。
联邦学习是一种新兴的人工智能机器学习框架，在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合规的前提下，让参与方在不共享数据的基础上联合建模，能从技术上打破数据孤岛，实现AI协作。
首创医疗联邦学习——打破数据壁垒，保护数据隐私
腾讯天衍实验室则结合自身医疗机器学习与自然语言处理的先天优势，与微众银行共同将联邦学习与医疗深度融合，有机整合医疗模型与机器学习，通过搭建基于联邦学习技术的大数据集中与挖掘平台，开发医疗联邦学习（Medical Federated Learning）技术。
图：天衍-微众投稿给人工智能顶级会议IJCAI 2020的论文
这一创新技术让医疗行业的数据问题“药到病除”，可以绕过医疗机构之间的信息壁垒，不考虑将各自数据做合并，而是通过协议在其间传递加密之后的信息，该加密过程具有一定的隐私保护机制，保证加密后的信息不会产生数据泄露。
各个医疗机构通过使用这些加密的信息更新模型参数，从而实现在不暴露原始数据的条件下使用全部患者数据的训练过程。
图：天衍-微众投稿给人工智能顶级会议IJCAI 2020的论文
如此一来，联邦学习技术就成功破解医疗行业信息孤岛和隐私保护难题，实现了在保护不同医院数据隐私下的疾病预测模型，而这项技术也在疾病预测领域落地，双方成功构建“脑卒中发病风险预测模型”。
成功落地疾病预测领域 脑卒中预测准确率达80%
在构建疾病预测模型过程中，不同医院数据缺乏标准化是关键性难题。双方首先通过搭建的大数据集中与挖掘平台，构建医疗健康领域多种大数据模型，对地区居民连续电子病历和其它数据进行多重关联和信息抽取。构建带有时间标志的重大慢病标签与大健康医疗特征，并对不同医院构建统一的数据标准形成疾病标签集与特征集。
通过技术力量对疾病预测模型所需特征进行标准与归一化后，再将标准化模型部署到不同医院， 使各医院按照该标准形成各自的标准化的疾病标签集与医疗特征集，再以此建立巢式病例对照研究队列，基于联邦学习算法协议，有效训练机器学习模型。
通过使用来自就诊记录数量TOP5的医院真实就诊数据验证，基于横向联邦学习的脑卒中预测模型的有效性良好。结果显示，基于横向联邦学习的脑卒中预测模型的有效性良好。
联邦学习模型和集中训练模型表现几乎一致，在脑卒中预测模型中的准确率达到80%。
这一成功合作案例仅仅是医疗联邦学习落地应用的开始，除疾病预测模型外，后续双方将就联邦学习在医疗大数据领域的应用落地进行更多维度的合作，包括医保控费、合理诊断、精准医疗等领域，助力医疗健康产业发展，提升医疗服务的质量。
閱讀更多 騰訊醫療健康 的文章
