人工智能

订阅

MedSci主页 / 所有栏目 / 人工智能

Journal of Neuromuscular Diseases：联邦机器学习如何破解罕见病研究的 “数据孤岛” 难题

2026-01-26 熊佳仪 MedSci原创 发表于上海

人工智能罕见病联邦学习
关注

联邦学习通过其隐私保护的分布式架构，为罕见病研究开启了一条在严格遵守数据法规前提下充分利用分散数据的全新路径。

深度解析医学证据，DeepEvidence为你支撑决策 全球约有高达6%的人口受到近万种不同罕见病的影响，然而由于病例稀少、研究数据匮乏，罕见病至今仍是医学中理解不足、患者服务严重欠缺的领域。大多数罕见病研究长期面临资金不足的困境，且严格的数据保护法规，如欧盟的《通用数据保护条例》，对构建和分析具有代表性的数据集构成了显著限制，使得跨机构协作困难重重。与此同时，人工智能，尤其是机器学习与深度学习，已在处理复杂生物医学数据方面展现出超越传统统计方法的潜力，为疾病诊断、生物标志物发现及个性化治疗带来了新希望。然而，集中式训练AI模型需要汇集各方敏感患者数据，这在伦理、法律和实际操作层面都存在巨大障碍，数据泄露风险更使得患者隐私保护成为重中之重。正是在数据利用与隐私保护的两难困境下，联邦学习作为一种“隐私设计”的分布式机器学习范式，为解决罕见病研究中的核心矛盾提供了极具前景的方案。 联邦学习的核心方法在于其颠覆性的训练流程。它不要求将分散在不同医院、诊所或研究机构的原始患者数据集中到一处，而是将算法模型“送”到数据所在地。具体而言，每个参与机构在本地使用自己的数据集训练一个AI模型，训练完成

相关资料下载：
[AttachmentFileName(sort=1, fileName=süwer-et-al-2024-privacy-by-design-with-federated-learning-will-drive-future-rare-disease-research.pdf)] GetArticleByIdResponse(id=1dae92339374, projectId=1, sourceId=null, title=Journal of Neuromuscular Diseases：联邦机器学习如何破解罕见病研究的 “数据孤岛” 难题, articleFrom=MedSci原创, journalId=27238, copyright=原创, creationTypeList=[1], summary=联邦学习通过其隐私保护的分布式架构，为罕见病研究开启了一条在严格遵守数据法规前提下充分利用分散数据的全新路径。, cover=https://img.medsci.cn/20240117/1705486337875_2570354.jpg, authorId=0, author=熊佳仪, originalUrl=, linkOutUrl=, content=深度解析医学证据，DeepEvidence为你支撑决策 全球约有高达6%的人口受到近万种不同罕见病的影响，然而由于病例稀少、研究数据匮乏，罕见病至今仍是医学中理解不足、患者服务严重欠缺的领域。大多数罕见病研究长期面临资金不足的困境，且严格的数据保护法规，如欧盟的《通用数据保护条例》，对构建和分析具有代表性的数据集构成了显著限制，使得跨机构协作困难重重。与此同时，人工智能，尤其是机器学习与深度学习，已在处理复杂生物医学数据方面展现出超越传统统计方法的潜力，为疾病诊断、生物标志物发现及个性化治疗带来了新希望。然而，集中式训练AI模型需要汇集各方敏感患者数据，这在伦理、法律和实际操作层面都存在巨大障碍，数据泄露风险更使得患者隐私保护成为重中之重。正是在数据利用与隐私保护的两难困境下，联邦学习作为一种“隐私设计”的分布式机器学习范式，为解决罕见病研究中的核心矛盾提供了极具前景的方案。 联邦学习的核心方法在于其颠覆性的训练流程。它不要求将分散在不同医院、诊所或研究机构的原始患者数据集中到一处，而是将算法模型“送”到数据所在地。具体而言，每个参与机构在本地使用自己的数据集训练一个AI模型，训练完成, belongTo=, tagList=[TagDto(tagId=8461, tagName=人工智能), TagDto(tagId=10637, tagName=罕见病), TagDto(tagId=509495, tagName=联邦学习)], categoryList=[CategoryDto(categoryId=72, categoryName=人工智能, tenant=100), CategoryDto(categoryId=84, categoryName=研究进展, tenant=100), CategoryDto(categoryId=304, categoryName=罕见病, tenant=100), CategoryDto(categoryId=20656, categoryName=梅斯医学, tenant=100)], articleKeywordId=0, articleKeyword=, articleKeywordNum=6, guiderKeywordId=0, guiderKeyword=, guiderKeywordNum=6, opened=0, paymentType=1, paymentAmount=5, recommend=0, recommendEndTime=null, sticky=0, stickyEndTime=null, allHits=1063, appHits=1, showAppHits=0, pcHits=80, showPcHits=1062, likes=0, shares=0, comments=0, approvalStatus=1, publishedTime=Mon Jan 26 08:35:00 CST 2026, publishedTimeString=2026-01-26, pcVisible=1, appVisible=1, editorId=6545039, editor=罕见病新前沿, waterMark=0, formatted=0, deleted=0, version=3, createdBy=074a6512445, createdName=xiongjy, createdTime=Mon Jan 26 05:17:50 CST 2026, updatedBy=92910, updatedName=rayms, updatedTime=Mon Jan 26 09:44:28 CST 2026, ipAttribution=上海, attachmentFileNameList=[AttachmentFileName(sort=1, fileName=süwer-et-al-2024-privacy-by-design-with-federated-learning-will-drive-future-rare-disease-research.pdf)], guideDownload=1, surveyId=null, surveyIdStr=null, surveyName=null, pushMsXiaoZhi=true, qaList=[{id=1585702, encryptionId=b84d1585e02a1, articleId=1dae92339374, userName=administrator, question=联邦学习模型在罕见病诊断中的性能验证与常规AI模型有何不同？, answer=需进行三重验证：1) 本地测试集验证；2) 跨中心交叉验证；3) 外部独立验证。如胶质母细胞瘤研究同时验证了71个中心数据。, clickNum=0, type=article, createdAt=1769391890098, updatedAt=1769391890098}, {id=1585694, encryptionId=59a515856947f, articleId=1dae92339374, userName=administrator, question=联邦学习在罕见病研究中如何平衡数据隐私保护与模型训练效果之间的矛盾？, answer=联邦学习通过分布式训练模式，仅共享模型参数而非原始数据，既保障了患者隐私（符合GDPR等法规要求），又通过聚合多中心数据提升了模型泛化能力。例如胶质母细胞瘤研究中，联邦模型性能比单中心提升16-33%。, clickNum=0, type=article, createdAt=1769391890098, updatedAt=1769391890098}])
süwer-et-al-2024-privacy-by-design-with-federated-learning-will-drive-future-rare-disease-research.pdf
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2298577, encodeId=bff722985e7b0, content=<a href='/topic/show?id=d3a024808e0' target=_blank style='color:#2F92EE;'>#人工智能#</a> <a href='/topic/show?id=5a8be955621' target=_blank style='color:#2F92EE;'>#罕见病#</a> <a href='/topic/show?id=341313104e56' target=_blank style='color:#2F92EE;'>#联邦学习#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=56, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=24808, encryptionId=d3a024808e0, topicName=人工智能), TopicDto(id=79556, encryptionId=5a8be955621, topicName=罕见病), TopicDto(id=131047, encryptionId=341313104e56, topicName=联邦学习)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Mon Jan 26 09:44:28 CST 2026, time=2026-01-26, status=1, ipAttribution=上海)]
    2026-01-26 梅斯管理员 来自上海

    #人工智能# #罕见病# #联邦学习#

    0

相关资讯

Nutrients：当人工智能走进饮食学课堂，聊天机器人如何辅助学生从理论走向临床实践

结构化虚拟患者聊天机器人能有效提升营养学学生的临床自信与实践感知，尤其在多语言、多情境模拟中展现出显著的教学辅助价值。

Lancet子刊：人工智能助力宫颈癌筛查，一项在非洲五国的诊断准确性研究

基于人工智能的自动视觉评估工具能够显著提高传统VIA筛查的敏感性，是填补中低收入国家宫颈癌筛查质量缺口的一种有前景的辅助手段。

专家论坛｜范建高：人工智能在代谢相关脂肪性肝病中的应用

近年来，人工智能（AI）技术的发展实现了从复杂多样的临床数据集中提取相关信息，特别是影像学和病理学图像数据，包含诊断、预后和预测信息，AI可以准确提取这些有效信息，作为决策支持工具应用于临床实践。

Orphanet Journal of Rare Diseases：临床医生与人工智能在罕见病诊断中的头对头比较

人工智能辅助诊断工具在罕见病诊断领域中具有一定应用潜力，尤其当它输出高可能性的诊断建议时，与多学科专家团队的意见存在相当比例的一致性，这提示该工具可用于辅助临床医生在复杂情况下优先考虑某些诊断方向。

World J Gastroenterol ：告别误诊困扰！AI 助力白光内镜高效检出罕见直肠神经内分泌肿瘤

基于YOLOv7算法构建的人工智能辅助诊断模型能够有效地在白光内镜下检测直肠神经内分泌肿瘤，其综合诊断性能优于大多数内镜医师，特别是在提高诊断特异性和阳性预测值方面潜力显著。

Eur Respir J：AI透视下的研究浪潮，支气管扩张症75年学术研究趋势全景图

利用人工智能技术对1949年至2024年间近2000篇非囊性纤维化支气管扩张症研究文献进行主题建模，揭示该领域从病灶中心向患者中心的转变及研究热点和空白。

PLOS Medicine：大语言模型对肝细胞癌治疗建议的临床效用

大语言模型生成的治疗建议与临床医生决策的一致性，在早期肝细胞癌中与改善的生存相关，但在晚期疾病中则无益甚至有害。

British Journal of Clinical Pharmacology：AI 助力儿科罕见病治疗！4 大语言模型角逐超说明书用药决策支持，GPT-4o 表现突出

大型语言模型确实具备快速检索和初步整合生物医学信息的潜力，能够在一定程度上加速超说明书用药合理性的评估流程，为临床医生节省宝贵的文献调研时间。

述评｜刘辉：人工智能结合多模态影像融合技术在肝脏外科中的应用

人工智能技术可以对大量的影像数据进行快速分析与处理，通过机器学习或深度学习支持模型自主学习肝脏和肿瘤的影像学特征，实现病变的智能识别，辅助术前诊断、术中治疗和术后预测等，从而有助于肝脏疾病的诊断和治疗

Nurse Education Today：AI驱动的母婴保健护理教育，自我效能感与使用需求的网络分析

本研究首次系统描绘了中国母婴保健护士人工智能自我效能感的复杂心理网络，并识别出拟人化交互与学习辅助是其中的核心驱动因素。