基于医学人工智能的多方安全计算系统及其建模方法技术方案

本发明专利技术公开一种基于医学人工智能的多方安全计算系统及其建模方法，各子系统之间通过MPC协议通信连接，调度管理系统与各个子系统通过MPC协议通讯连接，为此，在一子系统处需要建立人工智能模型时，先在本地进行模型训练，因为人工智能模型还需要应用到其他子系统的资源数据，为此，可以通过调度管理系统将人工智能模型通过MPC协议通讯方式转发至其他的子系统，进而，在其他子系统中进行训练，训练后得到的模型参数通过MPC协议通讯方式传输至所述一子系统处，整个信息处理过程中均采用MPC协议，数据在加密的情况下运输、加载、清洗、模型训练，全过程在保证了信息的隐私安全和数据不公开的情况下完成AI模型训练。公开的情况下完成AI模型训练。公开的情况下完成AI模型训练。

Multi party security computing system based on medical artificial intelligence and its modeling method

The invention discloses a multi-party security computing system based on medical artificial intelligence and its modeling method. Each subsystem is connected through MPC protocol communication, and the scheduling management system is connected with each subsystem through MPC protocol communication. Therefore, when it is necessary to establish an artificial intelligence model at a subsystem, the model training is carried out locally first, because the artificial intelligence model also needs to be applied to the resource data of other subsystems, The artificial intelligence model can be forwarded to other subsystems through MPC protocol communication through the dispatching management system, and then trained in other subsystems. The model parameters obtained after training are transmitted to the subsystem through MPC protocol communication. MPC protocol is used in the whole information processing process, and the data is transported, loaded, cleaned and trained in the case of encryption, In the whole process, AI model training is completed under the condition of ensuring the privacy and security of information and non disclosure of data. Complete AI model training in public. Complete AI model training in public< br/>

【技术实现步骤摘要】
基于医学人工智能的多方安全计算系统及其建模方法


[0001]本专利技术涉及医疗
，尤其是一种基于医学人工智能的多方安全计 算系统及其建模方法。

技术介绍

[0002]随着人工智能技术赋能各行各业，医学领域的AI技术取得了长足的发展。 目前，医学人工智能数据具有以下特点：
[0003]数据资源数据量大；
[0004]数据资源普遍涉及患者隐私；
[0005]不同医院数据资源分散且存在共享壁垒；
[0006]数据以及标注价值大，成本高。
[0007]以上的医学人工智能数据特点，限制了医学人工智能的发展。
[0008]目前，各大医院AI开发人员普遍采用了行业通用的做法，即：人工收集 医学数据、人工标注、建模、模型训练、模型部署等。但是，基于医院各方 数据安全考虑，不能分享各自的数据。
[0009]申请号为CN202111167309.6、名称为基于区块链的医疗数据共享方法及 装置的中国专利，提出了使用区块链技术保护医疗数据。但是该方法不能无 缝对接AI模型训练，仅仅数据操作记录不可篡改，仍然无法打破数据孤岛。

技术实现思路

[0010]本专利技术的主要目的是提出一种基于医学人工智能的多方安全计算系统及 其建模方法，旨在实现医院各参与方在不泄露自身隐私数据信息的前提下， 完成AI模型训练。
[0011]为实现上述目的，本专利技术提出一种基于医学人工智能的多方安全计算系 统的建模方法，所述基于医学人工智能的多方安全计算系统包括多个子系统 和调度管理系统，所述多个子系统对应设于多个医院端，所述多个子系统包 括第一子系统和第二子系统，各所述子系统之间通过MPC协议通信连接，所 述调度管理系统，与各个所述子系统通讯连接；所述基于医学人工智能的多 方安全计算系统的建模方法包括以下步骤：
[0012]步骤S10、第一子系统接收来自其所在的医院端的工作人员发起的模型训 练请求，所述模型训练请求包括所述多个子系统的指定数据资源、以及人工 智能模型，所述指定数据资源对应位于所述第一子系统和所述第二子系统中， 通过所述第一子系统的资源数据对所述人工智能模型进行训练，以得到本地 模型参数，且并将所述模型训练请求转发至调度管理系统；
[0013]步骤S20、所述调度管理系统将所述模型训练请求中的人工智能模型转发 至所述第二子系统；
[0014]步骤S30、所述第二子系统通过其指定数据资源，对所述人工智能模型进 行训练，以得到外地模型参数，且将所述外地模型参数通过MPC传输至所述 一子系统。
[0015]可选地，所述多个子系统还包括第三子系统，所述第三子系统不存在所 述指定数据资源；
[0016]步骤S30之后，包括：
[0017]步骤S31、所述调度管理系统获得所述第一子系统的当前负载率以及所述 第二子系统的当前负载率；
[0018]步骤S32、将所述第一子系统的当前负载率与所述第二子系统的当前负载 率进行比较，以获得差值；
[0019]步骤S33、当所述差值大于第一设定值时，所述调度管理系统将所述第一 子系统和所述第二子系统中的负载率较大的一方的部分指定数据资源、通过 MPC传输至所述多个子系统中负载率低于第二设定值的第三子系统中，且将 所述人工智能模型发送至所述第三子系统中；
[0020]步骤S34、所述第三子系统通过所述部分指定数据资源，对所述人工智能 模型进行训练，以得到本地模型参数，且将所述本地模型参数通过MPC传输 至所述一子系统。
[0021]可选地，步骤S33之前，还包括：
[0022]步骤S35、获取所述第三子系统的当前负载率；
[0023]步骤S36、当所述第三子系统的负载率低于第二设定值时，则进入步骤S33。
[0024]可选地，所述第三子系统设置为多个；
[0025]步骤S35之后，还包括：
[0026]步骤S36、当所述第三子系统的负载率大于第二设定值且小于第三设定值 时，所述调度管理系统将所述第一子系统和所述第二子系统中的负载率较大 的一方的部分指定数据资源按照各所述第三子系统的负载率的比例进行拆 分，将拆分后的多个部分所述指定数据资源分别通过MPC传输至对应的所述 多个第三子系统，且将所述人工智能模型分别通过MPC传输至各所述第三子 系统；
[0027]步骤S37、各所述第三子系统分别根据对应的拆分后的所述指定数据资 源，对所述人工智能模型进行训练，以得到本地模型参数，且将所述本地模 型参数通过MPC传输至所述一子系统。
[0028]可选地，所述人工智能模型包括机器学习模型、深度学习模型和强化学 习模型中的一种。
[0029]可选地，所述数据资源包括医学图像或者医学文本信息。
[0030]本专利技术还提供了一种基于医学人工智能的多方安全计算系统，其特征在 于，所述基于医学人工智能的多方安全计算系统包括多个子系统和调度管理 系统，所述多个子系统对应设于多个医院端，所述多个子系统包括第一子系 统和第二子系统，各所述子系统之间通过MPC协议通信连接，所述调度管理 系统，与各个所述子系统通过MPC协议通讯连接。
[0031]本专利技术提供的技术方案中，各所述子系统之间通过MPC协议通信连接， 所述调度管理系统与各个所述子系统通过MPC协议通讯连接，为此，在一子 系统处需要建立人工智能模型时，先在本地进行模型训练，因为人工智能模 型还需要应用到其他子系统的资源数据，为此，可以通过调度管理系统将人 工智能模型通过MPC协议通讯方式转发至其他的子系统，进而，在其他子系 统中进行训练，训练后得到的模型参数通过MPC协议通讯方式传输至所述一 子系统处，整个信息处理过程中均采用MPC协议，数据在加密的情况下运输、 加
载、清洗、模型训练，全过程在保证了信息的隐私安全和数据不公开的情 况下获得训练结果能够实现加密传输、运算和分析处理，以完成AI模型训练。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的 附图。
[0033]图1为本专利技术提供的基于同态加密的医疗图像标注系统的数据处理方法 的一实施例的流程示意图；
[0034]图2为基于同态加密的医疗图像标注系的工作过程示意图；
[0035]图3为基于同态加密的医疗图像标注系的一实施例的框架示意图；
[0036]图4为本专利技术提供的基于医学人工智能的多方安全计算系统中，各个医院 系统之间多方安全计算机制的框架示意图。
[0037][0038][0039]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
[0040]下面将结合本专利技术实施例中的附图，对本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于医学人工智能的多方安全计算系统的建模方法，其特征在于，所述基于医学人工智能的多方安全计算系统包括多个子系统和调度管理系统，所述多个子系统对应设于多个医院端，所述多个子系统包括第一子系统和第二子系统，各所述子系统之间通过MPC协议通信连接，所述调度管理系统与各个所述子系统通过MPC协议通讯连接；所述基于医学人工智能的多方安全计算系统的建模方法包括以下步骤：步骤S10、第一子系统接收来自其所在的医院端的工作人员发起的模型训练请求，所述模型训练请求包括所述多个子系统的指定数据资源、以及人工智能模型，所述指定数据资源对应位于所述第一子系统和所述第二子系统中，通过所述第一子系统的资源数据对所述人工智能模型进行训练，以得到本地模型参数，且并将所述模型训练请求转发至调度管理系统；步骤S20、所述调度管理系统将所述模型训练请求中的人工智能模型转发至所述第二子系统；步骤S30、所述第二子系统通过其指定数据资源，对所述人工智能模型进行训练，以得到外地模型参数，且将所述外地模型参数通过MPC传输至所述一子系统。2.如权利要求1所述的基于医学人工智能的多方安全计算系统的建模方法，其特征在于，所述多个子系统还包括第三子系统，所述第三子系统不存在所述指定数据资源；步骤S30之后，包括：步骤S31、所述调度管理系统获得所述第一子系统的当前负载率以及所述第二子系统的当前负载率；步骤S32、将所述第一子系统的当前负载率与所述第二子系统的当前负载率进行比较，以获得差值；步骤S33、当所述差值大于第一设定值时，所述调度管理系统将所述第一子系统和所述第二子系统中的负载率较大的一方的部分指定数据资源、通过MPC传输至所述多个子系统中负载率低于第二设定值的第三子系统中，且将所述人工智能模型发送至所述第三子系统中；步骤S34、所述第三子系统通过所述部分指定数据...

【专利技术属性】
技术研发人员：陈建长，谭鑫，曹莉琼，温伟军，李明书，
申请(专利权)人：广东珠江智联信息科技股份有限公司，
类型：发明
国别省市：