人工智能疾病预防：无需牺牲隐私与安全

联邦学习（federated learning）使人工智能能够在不损害患者隐私的情况下，通过在医院数据上训练模型来帮助预测疾病爆发。这项技术在构建强大的疾病监测系统以更好地应对公共卫生事件的同时，确保了敏感健康信息的安全。

在巴西，雨季带来的不仅是洪水和潮湿，往往还伴随着登革热的流行。登革热是一种由蚊子传播的疾病，会导致患者发高烧、出皮疹，严重时甚至会危及生命。

过去25年间，巴西已有超过1800万人感染登革热，而到2024年6月，该病的病例数激增，已达600万例，死亡4000人。受登革热影响的不止巴西，世界卫生组织的数据显示，全球约有一半人口面临登革热风险，每年估计有1亿至4亿人感染。

自COVID-19以来，全球研究人员纷纷借助人工智能监测潜在的疾病暴发情况。但这些努力面临一个主要障碍：获取敏感的健康数据。联邦学习技术使医院和相关机构能够在不共享患者数据的情况下构建预测模型。

IEEE会员Márcio Teixeira参与了 “登革热预警” 项目，该项目旨在训练机器学习模型，以预测登革热的严重程度、识别疫情暴发模式并优化资源分配。

下文将介绍Teixeira对联邦学习及其在登革热防控中的应用所做的相关阐述。

什么是联邦学习？它与其他人工智能技术有何不同？

联邦学习是一种能让研究人员在不将训练数据从其原始位置移走的情况下训练人工智能模型的技术。例如，假设有多家医院或卫生中心，每家都存有登革热患者的数据。一个共享的人工智能模型会被发送到每家医院，然后仅利用该医院现有的数据在本地对模型进行训练。之后，模型只将学到的内容（即模型的更新部分）发送回中央服务器，这些更新会被汇总起来以改进全局模型。这一过程会重复多次，直到全局模型完全训练完成 —— 而在此过程中，始终不会接触到实际的患者数据。

传统的人工智能技术会将所有数据集中到一个地方来训练模型，这可能会带来隐私风险。而联邦学习让数据留在原地（在这个例子中就是留在医院），并在本地训练模型。这使得联邦学习更适合处理敏感数据。

是什么促使您在这一领域开展研究？

我们的研究动机源于对利用创新且保护隐私的技术改善登革热监测与治疗的迫切需求。登革热仍是一个重大的公共卫生问题，尤其在巴西等地区，疫情暴发给医疗系统带来了巨大压力。

构建准确的预测模型需要获取敏感的医疗数据，而这会引发伦理和法律方面的挑战。巴西及许多其他国家都有严格的法律，对健康数据的使用、存储和共享进行规范。

健康数据极具价值，因为它包含个人信息，如全名、出生日期、地址、病史等。一旦犯罪分子获取这些数据，他们可能会窃取患者身份，用于账单诈骗、虚假治疗、伪造保险索赔或发起针对性的钓鱼攻击。

人工智能如何帮助预测和预防登革热疫情？为什么这种疾病是该技术的良好测试案例？

人工智能能够分析大量的健康、环境和行为数据，从中识别出人类可能忽略的模式。就登革热而言，机器学习可用于及早识别高风险患者，并根据天气状况预测疫情 —— 因为蚊子会利用积水进行繁殖。

联邦学习还能通过哪些方式在保障我们隐私的同时，为我们提供更优质的技术？

联邦学习为智能技术的开发提供了一种新途径，既能推动技术发展，又不会损害用户隐私。除医疗领域外，它还应用于多个行业。例如，银行可以通过协作识别欺诈模式，同时不会泄露客户记录；它也被应用在智能手机中，你的手机会在本地进行学习，但会为全局模型的优化贡献力量，而信息始终不会离开你的设备。

了解更多：数字化医疗设备能够实现更个性化的诊疗方案，并为提升健康预后效果带来新希望。但它们可能成为网络犯罪分子的目标，尤其是当这些设备通过无线方式连接到互联网时。一项新的IEEE标准已获得美国食品药品监督管理局（FDA）的认可，该标准帮助设备制造商识别和应对相关威胁，并阐述了无线安全程序的必要要求。