传统机器学习和知识深度学习在医学数据表示,更大的更多样化的数据需要更好的训练人工智能(AI)模型。特殊性之一然而,医疗数据设置,数据共享不同机构往往是复杂严格的隐私法规和数据所有权问题,使大规模的收集,多样性集中的数据几乎是不可能的。

因此,训练方法在大型分布式数据没有共享数据和违反限制隐私和财产,如联合学习(FL)是必要的。不同的机构可以构建更健壮的模型用FL通过执行协作培训没有共享原始数据。虽然具有挑战性,联合学习得到了越来越多的声望自成立以来,主要集中在研究深度学习环境。

这个特殊问题的目标是收集最新进展和小说的贡献学术研究者和行业从业者的充满活力的主题联合深度学习方法的学习实现更好发展智能领域的医学和人类健康。此外,这个特殊的问题欢迎相关人员讨论的最新发展新的深度学习的应用方法的可行性在医疗管理系统或软件。我们欢迎原始研究和评论文章。

潜在的主题包括但不限于以下:

• 联邦、分布式学习,和其他形式的合作学习,适用于医疗数据
• 医学图像分析和分布式计算
• 医学图像分割和联合学习
• 医学图像注释联合学习
• 保护隐私和安全的技术FL医疗数据
• 学习医学图像的高维特征孤立样本
• 疾病筛查联合学习
• 临床决策和深度的学习
• 个人健康数据分析
• 基于数据处理和芯片技术的智能健康管理
• 处理异构和不平衡(non-IID)数据在FL医疗数据