经验是成功的关键，也是医学，特别是诊断学的宝贵财富。曾经在研究中学到的东西，转化为具体的发现，治疗和应用，是至关重要的良好的病人护理！但如何才能最佳地实现甚至保证这一点呢？

人工智能（A I）目前被认为是许多领域的头号未来技术。它清楚地显示了如何定义、生成和使经验有用。这是关于人工智能算法的“经验”。它是由大型、高质量的数据集提供的。问题是，特别是在保健部门，难以生成必要范围和质量的数据。

克雷格罗兹，EMEA行业领先的人工智能保健和生命科学在NVIDIA。

许多机构必须依靠自己的医疗记录作为数据来源，例如。用于病人安全、人口学、治疗方法、手段和方法，或用于临床规范。但是，如果这还不够，他们必须能够访问外部数据池。

这就是一个新的术语发挥作用，可以提供全新的动力：联邦学习。这种方法允许人工智能算法将来自不同来源的数据精确地转化为对医疗实践管理如此宝贵的“原材料”：经验。通过这种方式，几个组织可以合作开发适当的模型，而不必转移敏感信息，例如关于个别病人健康记录的信息。在一项集体努力中，如果仅仅依靠内部收集的数据，所涉及的协作所取得的成果远远超过每一个单独的协作。

任何自称是该领域专家的人，至少有15年的专业经验，每年处理约15000起案件，这在他的整个职业生涯中约为22.5万起。但即使在工作了三十年之后，大多数人提出了最多100个特别罕见的案例，构成了真正的专家。

如何才能实际上取代30年的经验？有可能吗？如果要用人工智能来应对这一挑战，就需要相应的大量案例，必须首先将这些案例输入系统学习的数据集。它们都必须准确地反映它们获得和治疗的临床环境。

这使质量条很高。目前，现有数据集中“只有”10万个案件，尽管数量仍然很少。

重要的不只是数量。范围也必须是正确的：需要来自不同环境的不同年龄和性别的患者样本..个别医院的档案可能包含数十万条信息，但它们是孤立的。从数据保护的角度来看，这是值得欢迎的。然而，在更广泛的方面的使用因此被排除。

而这正是联邦学习发挥作用的地方。这种方法使得在不共享病人数据的情况下共享AI算法成为可能，而这些数据仍然包含在医院中。例如，三家医院希望联合起来，为脑肿瘤的自动分析开发一个模型。作为客户端-服务器方法的一部分，中央服务器将容纳联合深度神经网络-每个参与的诊所将收到一份副本，以其（受保护的）数据训练它。

一旦相应的模型适应了当地的情况，并且相应的过程被足够频繁地重复，参与者就可以将他们的训练版本发送回中央服务器，而基础数据集则保持在内部。

服务器聚合了不同的提交模型版本。然后向所有参与者提供更新和升级的参数，以便进行进一步培训。如果其中一个参与者退出，这并不自动意味着其他人的项目结束。新的参与者也可以随时添加到相应的程序中。

这只是一个例子，但它表明：联邦学习允许您从本地（和本地剩余的）信息中获得一般的洞察力。每个人都从中受益。

联邦学习可能意味着人工智能模型培训的革命-对整个医疗生态系统产生影响。

更大的医院网络可以更好和更密切地合作，同时从允许访问或共享其安全的数据中受益。这也是最重要的一点，有利于较小的医院，如农村地区的医院：它们可以获得比否则可能获得的更多的人工智能资源。

这将直接将人工智能带到护理点。医生可以获得基于数据材料的有用的人工智能算法，其中包括各种病人概况，以及罕见的病例，而这些病例并不是所有医院都经常出现。此外，参与者也可以做出自己的贡献-例如，如果他们对个别的外部结果不满意，他们就可以作为反馈。

医疗保健初创企业将能够在获得各种人工智能模型的安全访问和由此产生的学习效果的帮助下，加速向市场的突破性创新。而研究机构可以更好地根据医院的需要调整他们的工作。

在英国，NVIDIA正在与伦敦国王学院（King’s College London）和奥维金（Owkin）合作，为国家卫生服务机构创建一个联邦学习平台。在NVIDIAClara上运行的OwkinConnect平台使算法能够从一家医院到另一家医院，在本地数据集上进行培训。它为每家医院提供了一个区块链分布分类账，它捕获和跟踪用于模型培训的所有数据。

该项目最初连接了伦敦四家一流的教学医院，提供人工智能服务，以加速癌症、心力衰竭和神经退行性疾病等领域的工作，并将在2020年扩大到至少12家英国医院。

Clara FL（For Federated Learning）是一个平台，它在智能NVIDIA EGX边缘平台上运行，已经使几家医院能够“协作”学习，同时保证全面的数据保护。平台作为服务器和参与客户端之间的接口，为他们提供他们所需要的一切-从应用程序容器到相应的AI模型。

而在今天，平台已经为用户揭示了广泛的可能性。除其他外，它被用来为医院的智能传感器开发必要的人工智能基础设施，或者使移动护理点MRI系统实用化。