联邦学习在医疗数据隐私保护中的应用研究

葛广为

doi:10.16009/j.issn.1009-5624.2026.10.058

信息记录材料 ›› 2026, Vol. 27 ›› Issue (10) : 181 -183. DOI: 10.16009/j.issn.1009-5624.2026.10.058

联邦学习在医疗数据隐私保护中的应用研究

葛广为

作者信息 +

Author information +

文章历史 +

PDF

摘要

针对医疗数据集中式处理导致的隐私泄露风险，本研究阐述了联邦学习(FL)在医疗数据隐私保护中的应用方案。通过差分隐私、同态加密、安全多方计算等技术，构建“数据不动模型动”的分布式协作框架，实现跨机构数据共享、多中心协作与个性化医疗场景下的隐私保护。结果表明：FL可将成员推理攻击成功率降至随机猜测水平，模型诊断准确率保持90%以上，为医疗数据安全协作提供了兼顾隐私与性能的技术路径。