医学验证模型的联邦学习制造技术

本公开的实施方案涉及医学验证模型的联邦学习。本公开的一些实施方案提供了计算机实现的方法。所述方法包括：由主节点向多个计算节点传输关于初始医学验证模型的定义信息；由所述主节点与所述多个计算节点一起执行联邦学习过程，以使用在所述多个计算节点处可获得的相应经处理的本地训练数据集来联合训练所述初始医学验证模型，所述相应本地训练数据集由所述多个计算节点基于所述定义信息来处理；以及由所述主节点基于所述联邦学习过程的结果来确定最终医学验证模型。通过该解决方案，借助于联邦学习，本公开解决了来自拥有针对模型训练的训练数据集的本地站点的数据安全和隐私问题。隐私问题。隐私问题。

【技术实现步骤摘要】
【国外来华专利技术】医学验证模型的联邦学习


[0001]本公开的实施例总体上涉及计算机科学领域，并且尤其涉及用于医学验证模型的联邦学习的方法、设备和计算机程序产品。

技术介绍

[0002]医学实验室中几乎每天都执行医学测试，并且由此生成大量的医学测试报告以呈现医学数据。在向临床科室或患者发布医学测试报告之前，启动验证过程，以确保报告中呈现的医学数据是有效的，从而避免对患者的错误诊断。然而，即使已经引入了一些自动化功能，当前的验证过程中仍需要大量的人力。
[0003]随着机器学习的发展，目前提出了训练机器学习模型以用于医学数据的自动化验证。对机器学习模型的训练可能需要包括历史医学数据的训练数据。传统上，每个实验室或医院可以收集本地生成的历史医学数据以训练机器学习模型供使用。然而，这种对模型的单独本地训练可能会消耗资源并且效率不高。另一方面，可获得的历史医学数据可能在相应本地站点处受到限制。例如，在体检中心处收集的大部分医学数据可能反映的是健康人的身体状况，而在肿瘤门诊部收集的大部分医学数据可能反映的是肿瘤患者的身体状况。因此，在一个本地站点处训练的医学验证模型可能无法推广到为其他本地站点提供准确的验证结果。
[0004]因此，需要提供一种用于高效且有效训练医学验证模型的解决方案。

技术实现思路

[0005]一般地，本公开的示例性实施例提供了一种用于医学验证模型的联邦学习的解决方案。
[0006]在第一方面，提供了一种计算机实现的方法。该方法包括：由主节点向多个计算节点传输关于初始医学验证模型的定义信息；由该主节点与该多个计算节点一起执行联邦学习过程，以使用在该多个计算节点处可获得的相应经处理的本地训练数据集来联合训练该初始医学验证模型，该相应本地训练数据集由该多个计算节点基于该定义信息来处理；以及由该主节点基于该联邦学习过程的结果来确定最终医学验证模型。
[0007]在第二方面，提供了一种计算机实现的方法。该方法包括：由计算节点从主节点接收关于初始医学验证模型的定义信息；至少基于该定义信息处理本地训练数据集；与主节点和至少一个另外的计算节点一起执行联邦学习处理，以经使用处理的本地训练数据集来联合训练初始医学验证模型。
[0008]在第三方面，提供了一种电子设备。该电子设备包括至少一个处理器；和至少一个存储器，该至少一个存储器包括计算机可读指令，该计算机可读指令在由该电子设备的该至少一个处理器执行时使得该电子设备执行上述第一方面中的方法的步骤。
[0009]在第四方面，提供了一种电子设备。该电子设备包括至少一个处理器；和至少一个存储器，该至少一个存储器包括计算机可读指令，该计算机可读指令在由该电子设备的该
至少一个处理器执行时使得该电子设备执行上述第二方面中的方法的步骤。
[0010]在第五方面，提供了一种计算机程序产品。该计算机程序产品包括指令，该指令在由装置的处理器执行时使得该装置执行上述第一方面中的方法中的任何一种方法的步骤。
[0011]在第六方面，提供了一种计算机程序产品。该计算机程序产品包括指令，该指令在由装置的处理器执行时使得该装置执行上述第二方面中的方法中的任何一种方法的步骤。
[0012]应当理解，概述部分并非旨在识别本公开的实施例的关键或基本特征，也不旨在用于限制本公开的范围。通过以下描述，本公开的其他特征将变得容易理解。
附图说明
[0013]当结合以下附图阅读时，可以最佳地理解以下对本公开的实施例的详细描述，其中：
[0014]图1示出了其中可以实现本公开的实施例的示例性环境；
[0015]图2示出了根据本公开的一些实施例的框图，其示出用于医学验证模型的联邦学习和应用的系统；
[0016]图3示出了根据本公开的一些实施例的框图，其示出图2的用于医学验证模型的联邦学习的系统中的计算节点和主节点；
[0017]图4示出了根据本公开的一些实施例的流程图，其示出用于训练在主节点处实现的医学验证模型的示例性过程；
[0018]图5示出了根据本公开的一些实施例的流程图，其示出用于训练在计算节点处实现的医学验证模型的示例性过程；以及
[0019]图6示出了适用于实现本公开的示例性实施例的示例性计算系统/设备的框图。
[0020]在整个附图中，相同或相似的附图标记表示相同或相似的元件。
具体实施方式
[0021]现在将参考一些实施例来描述本公开的原理。应当理解，描述这些实施例仅是为了说明和帮助本领域技术人员理解和实现本公开，并不意味着对本公开范围的任何限制。本文所述的公开可以以除了下面描述的方式之外的各种方式来实现。
[0022]在以下描述和权利要求中，除非另有定义，否则本文中使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常所理解的相同含义。
[0023]本公开中对“一个实施例”、“某一实施例”、“一个示例实施例”等的引用表明所描述的实施例可能包括一个特定的特征、结构或特性，但无需每个实施例都包括该特定的特征、结构或特性。此外，这种短语并不必然指相同实施例。此外，当结合示例实施例描述具体特征、结构或特性时，需要注意的是，无论是否明确说明，本领域技术人员均知晓结合其他实施例来实现上述特征、结构或特性的效果。
[0024]应当理解，尽管本文可以使用术语“第一”和“第二”等来描述各种元素，但是这些元素不应受这些术语的限制。这些术语仅用于区分一个元素与另一个元素。例如，第一元件可以被称为第二元件，并且类似地，第二元件可以被称为第一元件，而不脱离示例实施例的范围。如本文所用，术语“和/或”包括列出术语中的一者或多者的任何组合和所有组合。
[0025]本文所使用的术语仅出于描述特定实施例的目的，而并非旨在限制示例实施例。
如本文所用，单数形式“一个”、“一种”和“该”也旨在包括复数形式，除非上下文另外明确地指出。将进一步理解，术语“包括”、“包含”、“具有”、“具有”、“包括”和/或“包括”，当在本文中使用时，指定所述特征、元素和/或组件等，但不排除存在或添加一个或多个其他特征、元素、组件和/或它们的组合。
[0026]如本文所用，术语“模型”被称为从训练数据学习的输入与输出之间的关联，并且因此可以在训练之后针对给定输入生成相应输出。模型的生成可以基于机器学习技术。机器学习技术也可以被称为人工智能(AI)技术。一般地，可以建立机器学习模型，其接收输入信息并基于该输入信息进行预测。例如，分类模型可以预测输入信息在预定类别集中的类别。如本文所用，“模型”也可以被称为“机器学习模型”、“学习模型”、“机器学习网络”或“学习网络”，它们在本文中可以互换使用。
[0027]一般地，机器学习通常可能包括三个阶段，即训练阶段、验证阶段和应用阶段(也被称为推断阶段)。在训练阶段，可以使用大量训练数据迭代地训练给定机器学习模型，直到该模型可以从该训练数据获得与人类智能可能做出的相似的一致推断。通过训练，可以认为机器学习模型能够从训练数据学习到输本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的方法，其包括：由主节点向多个计算节点传输关于初始医学验证模型的定义信息；由所述主节点与所述多个计算节点一起执行联邦学习过程，以使用在所述多个计算节点处可获得的相应经处理的本地训练数据集来联合训练所述初始医学验证模型，所述相应本地训练数据集由所述多个计算节点基于所述定义信息来处理；以及由所述主节点基于所述联邦学习过程的结果来确定最终医学验证模型。2.根据权利要求1所述的方法，其进一步包括：由所述主节点将所述最终医学验证模型分发到所述多个计算节点中的至少一个计算节点或至少一个另外的计算节点以供在医学验证中使用。3.根据权利要求1所述的方法，其中所述相应本地训练数据集包括：在医学测试中生成的历史医学数据和指示所述历史医学数据的本地验证类别的标记信息。4.根据权利要求3所述的方法，其中所述定义信息指示输入到所述初始医学验证模型的医学数据中的统一项目名称和从所述初始医学验证模型输出的统一验证类别，所述统一验证类别指示要在所述医学数据上执行的多个预定验证动作；以及其中通过将所述历史医学数据中使用的本地项目名称映射到所述统一项目名称并将所述本地验证类别映射到所述统一验证类别来处理所述相应本地训练数据集。5.根据权利要求3或4中任一项所述的方法，其中所述定义信息进一步指示针对输入到所述初始医学验证模型的医学数据中的项目的换算值范围，并且其中通过将所述历史医学数据中的所述项目的值映射到所述换算值范围内的值来处理所述相应本地训练数据集。6.根据权利要求2至5中任一项所述的方法，其中所述定义信息进一步指示针对被防止输入到所述初始医学验证模型的医学数据的统一红旗规则，并且其中通过过滤掉满足所述统一红旗规则的历史医学数据来处理所述相应本地训练数据集。7.根据权利要求2至6中任一项所述的方法，其中所述定义信息指示输入到所述初始医学验证模型的医学数据中的项目，所指示项目的值不可从本地训练数据集中的历史医学数据获得，并且其中通过填充针对所述所指示项目的预定值来处理所述本地训练数据集。8.根据权利要求7所述的方法，其中所述预定值包括以下中的任一者：所述所指示项目的参考值范围的平均值和在其他医学测试中生成的历史医学数据中的所述所指示项目的可用值的中值。9.根据权利要求1至8中任一项所述的方法，其中确定所述最终医学验证模型包括：由所述主节点从所述联邦学习过程的所述结果获得经训练的医学验证模型；将所述经训练的医学验证模型分发到所述多个计算节点；从所述多个计算节点接收反馈，所述反馈指示由所述计算节点使用相应本地验证数据集确定的所述经训练的医学验证模型的相应性能度量；以及基于接收到的反馈确定所述最终医学验证模型。10.根据权利要求9所述的方法，其中基于所述接收到的反馈确定所述最终医学验证模型包括：
响应于所述相应性能度量满足模型发布标准，将所述经训练的医学验证模型确定为所述最终医学验证模型；以及响应于所述相应性能度量未能满足所述模型发布标准，调整所述经训练的医学验证模型以生成所述最终医学验证模型。11.根据权利要求1至10中任一项所述的方法，其中所述主节点在星型拓扑网络中与所述多个计算节点通信地连接。12.一种计算机实现的方法，其包括：由计算节点并且从主节点接收关于初始医学验证模型的定义信息；至少基于所述定义信息处理本地训练数据集；以及与...

【专利技术属性】
技术研发人员：姚毅，邢伟彬，陶晓君，钱晶，周琪，张晨曦，钱茵，
申请(专利权)人：豪夫迈，
类型：发明
国别省市：