用于增强分布式医疗网络的系统和方法技术方案

用于增强分布式医疗网络的方法和系统。例如，计算机实现的方法包括将与每个本地计算机对应的训练数据输入到它们对应的机器学习模型中；生成多个局部损失，其包括至少部分地基于所对应的训练数据生成针对每个机器学习模型的局部损失；生成多个局部参数梯度，其包括至少部分地基于所对应的局部损失生成针对每个机器学习模型的局部参数梯度；至少部分地基于多个局部参数梯度生成全局参数更新；以及通过至少部分地基于全局参数更新而至少更新机器学习模型对应的活动参数集，来更新托管在多个本地计算机中的每个本地计算机处的每个机器学习模型。

System and method for enhancing distributed medical network

【技术实现步骤摘要】
用于增强分布式医疗网络的系统和方法
本专利技术的某些实施例涉及医疗数据系统。更特别地，本专利技术的一些实施例提供了用于增强分布式医疗网络的方法和系统。仅作为示例，本专利技术的一些实施例被配置为训练由多个本地医院托管的多个机器学习模型。但是将认识到，本专利技术具有更广泛的适用性范围。
技术介绍
医院共同地具有大量的患者医疗数据，该患者医疗数据可用于各项任务。例如，每个医院可以包括配置用于某个医疗应用的医疗系统，其可以利用特定的患者医疗数据来提高它们执行特定任务的能力。当前，可能位于不同地理位置处的医院在彼此共享相关患者医疗数据，特别是用于改善神经网络的数据方面非常低效。因此，用于增强医疗数据系统中的数据共享的系统和方法是可期望的。
技术实现思路
本专利技术的某些实施例涉及医疗数据系统。更特别地，本专利技术的一些实施例提供了用于增强分布式医疗网络的方法和系统。仅作为示例，本专利技术的一些实施例被配置为训练由多个本地医院托管的多个机器学习模型。但是将认识到，本专利技术具有更广泛的适用性范围。在各种实施例中，用于增强分布式医疗网络(例如，包括多个本地计算机的分布式医疗网络，该多个本地计算机中的每个本地计算机托管配置有活动参数集的机器学习模型)的计算机实现的方法，包括：将与每个本地计算机对应的训练数据输入到它们对应的机器学习模型中；生成多个局部损失，其包括至少部分地基于对应的训练数据生成针对每个机器学习模型的局部损失；生成多个局部参数梯度，其包括至少部分地基于所对应的局部损失生成针对每个机器学习模型的局部参数梯度；至少部分地基于多个局部参数梯度生成全局参数更新；以及通过至少部分地基于全局参数更新而至少更新机器学习模型对应的活动参数集，来更新托管在多个本地计算机中的每个本地计算机处的每个机器学习模型。在各种实施例中，用于增强分布式医疗网络(例如，包括多个本地计算机的分布式医疗网络，该多个本地计算机中的每个本地计算机托管配置有活动参数集的机器学习模型)的系统，包括：数据输入模块，配置为将与每个本地计算机对应的训练数据输入到它们对应的机器学习模型中；损失生成模块，配置为通过至少部分地基于所对应的训练数据至少生成针对每个机器学习模型的局部损失来生成多个局部损失；梯度生成模块，配置为通过至少部分地基于所对应的局部损失至少生成针对每个机器学习模型的局部参数梯度来生成多个局部参数梯度；更新生成模块，配置为至少部分地基于多个局部参数梯度生成全局参数更新；以及模型更新模块，配置为通过至少部分地基于全局参数更新而至少更新机器学习模型对应的活动参数集，来更新托管在多个本地计算机中的每个本地计算机处的每个机器学习模型。在各种实施例中，非暂时性计算机可读介质，具有存储在该非暂时性计算机可读介质上的指令，当该指令在由处理器执行时使该处理器执行一个或多个过程，该一个或多个过程包括：将与每个本地计算机对应的训练数据输入到它们对应的机器学习模型中；生成多个局部损失，其包括至少部分地基于所对应的训练数据生成针对每个机器学习模型的局部损失；生成多个局部参数梯度，其包括至少部分地基于所对应的局部损失生成针对每个机器学习模型的局部参数梯度；至少部分地基于多个局部参数梯度生成全局参数更新；以及通过至少部分地基于全局参数更新而至少更新机器学习模型对应的活动参数集，来更新托管在多个本地计算机中的每个本地计算机处的每个机器学习模型。根据以上实施例，可以获得一个或多个益处。参照下面详细的描述和附图可以充分地领会本专利技术的这些益处和各种附加的目的、特征和优点。附图说明图1为示出了根据一些实施例的用于增强分布式医疗网络的系统的简化图；图2为示出了根据一些实施例的用于增强集中的分布式医疗网络的方法的简化图；图3为示出了根据一些实施例的用于增强分散的分布式医疗网络的方法的简化图；图4为示出了根据一些实施例的计算系统的简化图；图5为示出了根据一些实施例的神经网络的简化图；图6为示出了根据一些实施例的分布式医疗网络的简化图。具体实施方式本专利技术的某些实施例涉及医疗数据系统。更特别地，本专利技术的一些实施例提供了用于增强分布式医疗网络的方法和系统。仅作为示例，本专利技术的一些实施例被配置为训练由多个本地医院托管的多个机器学习模型。但是将认识到，本专利技术具有更广泛的适用性范围。图1为示出了根据一些实施例的用于增强分布式医疗网络的系统的简化图。该图仅为示例，其不应过度地限制权利要求的范围。本领域的普通技术人员将认识到许多变化、替换和修改。在一些示例中，系统10包括连接建立模块12、数据输入模块14、损失生成模块16、梯度生成模块18、参数集生成模块20、梯度或参数传送模块22、更新生成模块24和模型更新模块26。在某些示例中，系统10还包括更新传送模块28、超时模块30和/或压缩和加密模块32。在一些示例中，系统10配置为增强分布式医疗网络。例如，系统10配置为增强包括多个本地计算机的分布式医疗网络，其中每个本地计算机托管配置有活动参数集的机器学习模型。在一些示例中，分布式医疗网络还包括(例如，耦合到多个本地计算机的)中央计算机。在某些示例中，系统10配置为实施图2的方法S100和/或图3的方法S200。虽然已经使用选定的一组组件示出了以上内容，但是可以存在许多替换、修改和变化。例如，一些组件可以被扩展和/或组合。一些组件可以被去掉。可以将其他组件插入到以上提到的那些组件中。根据实施例，组件的布置可以与替换的其他组件相互交换。在各种实施例中，连接建立模块12配置为在多个本地计算机和中央计算机之间建立连接。在一些示例中，连接建立模块12配置为在多个本地计算机中的每个本地计算机之间建立连接。在各种示例中，连接建立模块12配置为通过无线和/或有线连接来建立连接。在某些示例中，连接建立模块12配置为建立用于共享、传递、发送和/或传输数据的数据传递连接。在某些示例中，连接建立模块12是耦合到系统10的单独模块而不是系统10的一部分。在各种实施例中，数据输入模块14配置为将数据输入到多个本地计算机中的每个本地计算机中。在一些示例中，数据输入模块14配置为将启动数据(primingdata)和/或训练数据输入到托管在多个本地计算机中的每个本地计算机处的每个机器学习模型中。例如，数据输入模块14配置为将与每个本地计算机对应的启动数据和/或训练数据输入到它们对应的机器学习模型中。在某些示例中，数据输入模块14配置为将第一训练数据输入到托管在多个本地计算机中的第一本地计算机处的第一机器学习模型中，将第二训练数据输入到托管在多个本地计算机中的第二本地计算机处的第二机器学习模型中，……，以及将第N训练数据输入到托管在多个本地计算机中的第N本地计算机处的第N机器学习模型中。在某些示例中，训练数据包括医学图像(例如，具有对应的真实数据(groundtruth)的预分析医学图像)和/或患者数据。在一些示例中，输入到每个机器学习模型中的训练数据是不同的。在某些示例中，数据输入模块14配置为将第一启动数据输入到托管在多个本地计算机中的第一本地计本文档来自技高网...

【技术保护点】
1.用于增强分布式医疗网络的计算机实现的方法，所述分布式医疗网络包括多个本地计算机，所述多个本地计算机中的每个本地计算机托管配置有活动参数集的机器学习模型，所述方法包括：/n将与每个本地计算机对应的训练数据输入到它们对应的机器学习模型中；/n生成多个局部损失，其包括至少部分地基于所对应的训练数据生成针对每个机器学习模型的局部损失；/n生成多个局部参数梯度，其包括至少部分地基于所对应的局部损失生成针对每个机器学习模型的局部参数梯度；/n至少部分地基于所述多个局部参数梯度生成全局参数更新；以及/n通过至少部分地基于所述全局参数更新而至少更新机器学习模型对应的活动参数集，来更新托管在所述多个本地计算机中的每个本地计算机处的每个机器学习模型。/n

【技术特征摘要】
20191125 US 16/694,2981.用于增强分布式医疗网络的计算机实现的方法，所述分布式医疗网络包括多个本地计算机，所述多个本地计算机中的每个本地计算机托管配置有活动参数集的机器学习模型，所述方法包括：
将与每个本地计算机对应的训练数据输入到它们对应的机器学习模型中；
生成多个局部损失，其包括至少部分地基于所对应的训练数据生成针对每个机器学习模型的局部损失；
生成多个局部参数梯度，其包括至少部分地基于所对应的局部损失生成针对每个机器学习模型的局部参数梯度；
至少部分地基于所述多个局部参数梯度生成全局参数更新；以及
通过至少部分地基于所述全局参数更新而至少更新机器学习模型对应的活动参数集，来更新托管在所述多个本地计算机中的每个本地计算机处的每个机器学习模型。


2.根据权利要求1所述的计算机实现的方法，其特征在于，所述局部参数梯度为局部权重梯度和局部偏差梯度中的一个。


3.根据权利要求1所述的计算机实现的方法，其特征在于，所述生成局部参数梯度包括确定非零参数梯度。


4.根据权利要求1所述的计算机实现的方法，其特征在于，所述生成全局参数更新包括对所述多个局部参数梯度求平均。


5.根据权利要求1所述的计算机实现的方法，其特征在于，还包括：
将所述多个局部参数梯度从所述多个本地计算机传送到所述分布式医疗网络的中央计算机；以及
将所述全局参数更新从所述中央计算机传送到所述多个本地计算机；
其中，所述生成全局参数更新包括在所述中央计算机处生成所述全局参数更新。


6.根据权利要求5所述的计算机实现的方法，其特征在于，还包括：
在所述中央计算机上实施超时周期，使得所述中央计算机被配置为在所述超时周期之后拒绝接收局部参数梯度。


7.根据权利要求5所述的计算机实现的方法，其特征在于，还包括：
在传送所述多个局部参数梯度之前，在所述多个本地计算机处压缩和加密所述多个局部参数梯度；以及
在传送所述多个局部参数梯度之后，在所述中央计算机处解密和解压所压缩的多个局部参数梯度。


8.根据权利要求1所述的计算机实现的方法，其特征在于，还包括：
在所述多个本地计算机之间传送所述多个局部参数梯度；
其中，所述生成全局参数更新包括在所述多个本地计算机的每个本地计算机处生成所述全局参数更新。


9.根据权利要求8所述的计算机实现的方法，其特征在于，还包括：
在每个本地计算机上实施超时周期，使得每个本地计算机被配置为在所述超时周期之后拒绝接收局部参数梯度。


10.根据权利要求8所述的计算机实现的方法，其特征在于，还包括：
在传送所述多个局部参数梯度之前，在所述多个本地计算机处压缩和加密所述多个局部参数梯度；以及
在传送所述多个局部参数梯度之后，在所述多个本地计算机处解密和解压所压缩的多个局部参数梯度。


11.根据权利要求1所述的计算机实现的方法，其特征在于，还包括：
生成多个局部参数集，其包括至少部分地基于所述多个局部参数梯度中对应的局部参数梯度来生成针对每个机器学习模型的局部参数集；
其中，所述至少部分地基于所述多个局部参数梯度生成全局参数更新包括至少部分地基于所述多个局部参数集生成所述全局参数更新。


...

【专利技术属性】
技术研发人员：阿比舍克·沙玛，阿伦·因南耶，吴子彦，孙善辉，陈德仁，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31