[发明专利]一种基于联合学习的健康风险预测方法和装置

说明书

本发明公开了一种基于联合学习的健康风险预测方法和装置，包括生成健康风险预测的初始模型；根据所述初始模型，获取加密的训练参数或梯度；聚合所述训练参数或梯度，对所述初始模型进行更新；将所述联合学习预测模型发送给参与训练的医疗机构；检测所述联合学习预测模型的训练信息，其中所述训练信息包含模型精度和训练次数；当所述训练信息满足预设条件时，完成所述联合学习预测模型的更新。本发明在保证数据敏感隐私信息的基础上，使多个医疗机构参与者可以在本地共同构建模型，不需要相互传输数据，从而解决了诸如数据孤岛、数据隐私、数据访问权、数据量小等关键问题。

技术领域

本发明涉及计算机技术领域，特别涉及一种基于联合学习的健康风险预测方法、装置、可读存储介质及计算设备。

背景技术

在医学领域中，风险预测是一个具有前瞻性和重大现实意义的研究任务，往往需要大量长时间连续的数据，而现实生活中，绝大多数医疗机构的慢病患者都存在数据量少，数据质量差的问题，不足以支撑慢病风险预测的实现。

人工智能传统的处理方式是通过集中不同节点的数据实现训练样本数的扩充，然而，现代社会对数据隐私、安全的要求越来越严格，相关数据隐私法律法规的出现对人工智能传统的处理方式提出新的挑战。比方说，在医疗保健领域，不同医院、不同人群的电子病历、体检数据、影像数据等非常敏感，它们之间没有办法集中数据，加之考虑到用户隐私、商业利益、监管的要求等，我们面临的是小数据和一个个数据孤岛，而人工智能需要的恰恰是大数据，很难在合规的前提下得到充分有效的利用。

发明内容

本发明旨在至少在一定程度上解决上述技术问题中的至少一个。

为此，本发明的第一个目的在于提出一种基于联合学习的健康风险预测方法，即在保证数据敏感隐私信息的基础上，使多个医疗机构参与者可以在本地共同构建模型，不需要相互传输数据，实现敏感小数据的“聚沙成塔”，从而解决了诸如数据隐私，数据访问权，小数据等关键问题。

本发明的第二个目的在于提出一种基于联合学习的健康风险预测装置，即在保证数据敏感隐私信息的基础上，使多个医疗机构参与者可以在本地共同构建模型，不需要相互传输数据，实现敏感小数据的“聚沙成塔”，从而解决了诸如数据隐私，数据访问权，小数据等关键问题。

本发明的第三个目的在于提出一种可读存储介质。

本发明的第四个目的在于提出一种计算设备。

第一方面，本发明实施例提供了一种基于联合学习的健康风险预测方法，包括：

生成健康风险预测的初始模型；

根据所述初始模型，获取加密的训练参数或梯度；其中，所述训练参数或梯度由医疗机构根据其医疗样本对所述初始模型训练获得；

聚合所述训练参数或梯度，对所述初始模型进行更新，以得到联合学习预测模型；

将所述联合学习预测模型发送给参与训练的医疗机构，以使所述医疗机构根据其医疗样本对所述联合学习预测模型训练获得训练参数或梯度；

检测所述联合学习预测模型的训练信息，其中所述训练信息包含模型精度和训练次数；

当所述训练信息满足预设条件时，完成所述联合学习预测模型的更新。

可选地，所述生成健康风险预测的初始模型，包括：

将参与训练的全部医疗机构的全部本地预测模型中符合预设条件的本地预测模型作为所述初始模型。

可选地，所述根据所述初始模型，获取加密的训练参数或梯度，包括：

将所述初始模型发送给各个参与训练的所述医疗机构；