联邦学习作为一种变革性技术已在人工智能和医疗健康领域崭露头角，它提供了一种在保障患者隐私的同时整合多源数据的潜在解决方案。尽管前景广阔，联邦学习仍面临独特挑战：医疗数据质量参差不齐、医疗机构间数据垂直分散、样本量过小且常包含罕见亚群等问题。集中式方法难以应对这些挑战，尤其是在跨国数据共享受限的情况下。隐私增强技术（如安全多方计算和差分隐私）提供了补充策略，但仍需创新方法以有效解决数据复用难题。此外，联邦学习系统虽设计上具有保护性，却仍易受恶意攻击，亟需持续探讨系统漏洞及防御措施。
本研究专题旨在深入探究医疗人工智能中联邦学习的细微差别，重点将隐私增强技术与联邦学习算法相融合，从医疗机构的私有数据集中获取洞见。关键目标包括：评估这些技术在医疗、社会经济、心理社会及多组学数据上的有效性，并考察长期健康结果。特别强调理解潜在攻击相关风险、评估缓解策略效果，以及实现可持续的联邦学习部署。通过将联邦学习整合至AI医疗应用中，本专题力求在数据保护与性能间取得平衡，优化联邦技术并构建安全高效的机器学习模型，从而个性化并提升患者护理质量。
为深入探索联邦学习在医疗人工智能中的应用，我们欢迎投稿探讨但不限于以下主题的文章：
- 生成式人工智能模型在语言和视觉处理中的联邦训练实施
- 生成模型的协作使用与合成数据创建
- 联邦系统的伦理、法律及社会影响（ELSI），重点关注一篇综述/二次研究论文
- 针对垂直划分数据、小样本数据集及罕见疾病条件的联邦学习方法论
- 联邦数据中的数据质量管理与偏差检测/缓解
我们鼓励针对这些领域的原创研究论文，旨在推动联邦学习进步并改善医疗行业成果。
【全文结束】
