基于隱私安全計(jì)算、人工智能技術(shù)，對(duì)醫(yī)療行業(yè)大量的多維度多模態(tài)的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、歸一、融合、分析等綜合治理工作，基于結(jié)構(gòu)化、標(biāo)準(zhǔn)化的數(shù)據(jù)集建立了疾病診斷、檢查推薦、用藥推薦、罕見(jiàn)病預(yù)測(cè)、質(zhì)控規(guī)則管理等模型，為醫(yī)療數(shù)據(jù)治理、全院質(zhì)控、醫(yī)學(xué)研究、醫(yī)保風(fēng)控和臨床核心業(yè)務(wù)中的痛點(diǎn)難點(diǎn)問(wèn)題提供軟硬件一體的大數(shù)據(jù)和人工智能全棧式解決方案，建立智慧醫(yī)療新生態(tài)。
醫(yī)療AI模型的完善同樣需要大量數(shù)據(jù)的訓(xùn)練。放射科醫(yī)生通常需要工作15年時(shí)間，平均每年經(jīng)手至少15000個(gè)病例才算小有所成。這意味著人工智能需要對(duì)同等規(guī)模病例（22.5萬(wàn)）的學(xué)習(xí)才能達(dá)到放射科專家水平。遺憾的是，目前最大的開(kāi)放數(shù)據(jù)庫(kù)僅有10萬(wàn)病例的規(guī)模，離滿足人工智能訓(xùn)練的要求尚有一定距離。事實(shí)上，各個(gè)醫(yī)療機(jī)構(gòu)可能擁有包含數(shù)十萬(wàn)條記錄和圖像的檔案，但因?yàn)殡[私和法規(guī)的原因，這些數(shù)據(jù)完全是彼此孤立無(wú)法使用的。無(wú)論是人工智能企業(yè)，或是正在使用人工智能的醫(yī)療機(jī)構(gòu)都只能依賴手頭僅有的數(shù)據(jù)來(lái)源。高質(zhì)量訓(xùn)練數(shù)據(jù)的嚴(yán)重匱乏，嚴(yán)重阻礙了醫(yī)療AI的更進(jìn)一步。
完全依賴開(kāi)放數(shù)據(jù)庫(kù)訓(xùn)練的模型，很有可能缺乏真正的臨床價(jià)值。2021年，劍橋大學(xué)對(duì)公開(kāi)發(fā)布的有關(guān)醫(yī)療AI的2212篇論文進(jìn)行篩選，從中選出62篇可以達(dá)到研究人員設(shè)定的較高的入選標(biāo)準(zhǔn)的論文。然而，研究人員最終發(fā)現(xiàn)所有62篇實(shí)際上都沒(méi)有潛在的臨床應(yīng)用價(jià)值。數(shù)據(jù)集質(zhì)量和規(guī)模嚴(yán)重不足是導(dǎo)致這一問(wèn)題的重要原因；此外，僅僅采用來(lái)源于開(kāi)放數(shù)據(jù)庫(kù)的公共數(shù)據(jù)集也是原因之一。隨著時(shí)間的推移，公共數(shù)據(jù)集不斷發(fā)展并融合新的數(shù)據(jù)，很可能導(dǎo)致最初的結(jié)果無(wú)法復(fù)現(xiàn)。劍橋大學(xué)的研究人員提出了三個(gè)觀點(diǎn)：第一，公共數(shù)據(jù)集可能導(dǎo)致嚴(yán)重的偏差風(fēng)險(xiǎn)，謹(jǐn)慎使用。第二，為了使模型適用于不同的群體和獨(dú)立的外部數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)應(yīng)該保持多樣性和適當(dāng)?shù)囊?guī)模。第三，除了更高質(zhì)量的數(shù)據(jù)集外，還需要可復(fù)現(xiàn)和外部驗(yàn)證的證明，這樣才能增加模型被推進(jìn)并整合到未來(lái)臨床試驗(yàn)中的可能性。
電子病歷是信息技術(shù)和網(wǎng)絡(luò)技術(shù)在醫(yī)療領(lǐng)域的必然產(chǎn)物，是醫(yī)院病歷現(xiàn)代化管理的必然趨勢(shì)，其在臨床的初步應(yīng)用，極大地提高了醫(yī)院的工作效率和醫(yī)療質(zhì)量。翼方健數(shù)基于算法技術(shù)、數(shù)據(jù)結(jié)構(gòu)化等能力，構(gòu)建了強(qiáng)大完善的知識(shí)庫(kù)體系，擁有一系列具有優(yōu)秀表達(dá)能力的智能模型。在各種以電子病歷為中心的應(yīng)用場(chǎng)景下，有效地提升了諸如病歷自動(dòng)化書(shū)寫(xiě)，全程質(zhì)控，單病種費(fèi)用監(jiān)測(cè)系統(tǒng)、傳染病預(yù)警、危重癥提示、罕見(jiàn)病臨床輔助決策、賦能分級(jí)診療等多種能力。
因?yàn)獒t(yī)療數(shù)據(jù)包含了大量患者隱私。醫(yī)療機(jī)構(gòu)或者患者絕對(duì)不會(huì)因?yàn)槟Ｐ陀?xùn)練愿意承擔(dān)隱私泄露的風(fēng)險(xiǎn)。聯(lián)邦學(xué)習(xí)則可以讓多個(gè)機(jī)構(gòu)利用自己的數(shù)據(jù)進(jìn)行多次迭代訓(xùn)練模型，隨后將訓(xùn)練完成的模型上傳共享。這個(gè)過(guò)程并不會(huì)涉及到敏感的臨床數(shù)據(jù)或病人隱私，從而解決了大眾的擔(dān)憂。假設(shè)三家醫(yī)院決定聯(lián)合起來(lái)建立一個(gè)中心深度神經(jīng)網(wǎng)絡(luò)用于幫助自動(dòng)分析腦腫瘤圖像，并選擇使用客戶機(jī)-服務(wù)器的聯(lián)邦學(xué)習(xí)。在整個(gè)架構(gòu)中，中心服務(wù)器將維護(hù)全局深度神經(jīng)網(wǎng)絡(luò)。每個(gè)參與的醫(yī)院將獲得一個(gè)這個(gè)神經(jīng)網(wǎng)絡(luò)模型的副本，以便使用自己的數(shù)據(jù)進(jìn)行訓(xùn)練。一旦在本地對(duì)模型進(jìn)行了幾次迭代訓(xùn)練，參與者就會(huì)將模型的更新版本發(fā)送回中心服務(wù)器。這個(gè)過(guò)程只發(fā)送訓(xùn)練完成的模型及其參數(shù)，而不會(huì)像以往的方式發(fā)送病例數(shù)據(jù)。同時(shí)，傳輸數(shù)據(jù)經(jīng)過(guò)特殊加密，具有很好的保護(hù)效果。在收到各地上傳的更新模型后，服務(wù)器將匯總各地上傳的、更新后的局部模型，并對(duì)全局模型進(jìn)行更新。隨后，服務(wù)器會(huì)與參與機(jī)構(gòu)共享更新后的模型，以便它們能夠繼續(xù)進(jìn)行本地訓(xùn)練。
不難看出，在整個(gè)過(guò)程中，共享模型接觸到的數(shù)據(jù)范圍比任何單個(gè)組織內(nèi)部擁有的數(shù)據(jù)范圍都要大得多，訓(xùn)練也更為有效。與此同時(shí)，因?yàn)橹恍枰獋鬏斈Ｐ蛿?shù)據(jù)，其對(duì)網(wǎng)絡(luò)傳輸帶寬的要求也降低了很多。此外，全局模型的訓(xùn)練并不依賴于特定的數(shù)據(jù)。因此，如果其中一家醫(yī)院離開(kāi)模型訓(xùn)練團(tuán)隊(duì)也不會(huì)停止模型的訓(xùn)練。同樣，一家新醫(yī)院可以隨時(shí)選擇加入該計(jì)劃以加速模型訓(xùn)練。
