隐私是大含率，以无处不在，无缝数据共享为人工智能驱动学习世界的一个。在一个理想的世界，数据，如医学成像扫描的数量庞大，可以公开地在全球范围内共享，以便机器学习算法可以从广泛的数据集获得的经验。更多的数据共享，更好的结果。
这一般不会发生现在，包括在医疗的世界里，隐私是最重要的。在大多数情况下，医疗图像扫描，如脑核磁共振，留在分析机构的水平。那么结果是共享的，但不是原始患者扫描数据。
研究人员认为，在这样的数据之后，移动管理可能允许更多的信息来达到学习的一个机构，这可能有利于整个系统的算法之外。宾夕法尼亚医学院的研究人员提出使用一种称为联合学习技术，将允许用户培养跨多个分散的数据源的算法，而无需实际交换数据集。
联邦学习作品在许多分散的边缘设备训练的算法，而不是运行在上传到一台服务器的数据进行分析。
“越数据计算模型看，它学习的问题，更好的能解决它的目的是要回答这个问题的更好，”斯皮Bakas，在宾夕法尼亚大学医学院的佩雷尔曼学院的教官说，在一个新闻稿。Bakas是研究的主要作者在医学中的应用联合学习，这是发表在杂志科学报告。“传统上，学习机已经从一个单一的机构使用的数据，然后很明显，这些模型不执行或其他机构的数据概括好，” Bakas说。
宾夕法尼亚大学医学院的研究重点是利用联合学习设计的AI系统，这将有助于通过共享大脑核磁共振成像临床医生更好地发现和治疗脑肿瘤。
现在的问题，根据研究人员，是所有有用的样本数据是由收集它的机构私人持有。它是通过该机构，在那里创建了一个模型，分析了本地。每个模型可以再通过其他机构的工作，但它的效果并不理想，因为当地的情况都是不同的。
一个更好的办法来做到这一点，使用联合AI，是建立一个模型，脑肿瘤检测模型，例如，然后在全球分享与医院这一模式。而不是机构之间的数据共享，人才培养模式被分配到不同的数据所有者。
“在宾夕法尼亚大学医学训练的模型，例如，可以分布到世界各地的医院，那么医生可以在此共享模式，顶部系列通过输入自己的病人脑部扫描。然后他们的新车型将被转移到一个集中的服务器该模型最终将调和成已经获得的知识，从各医院的，因此是临床上有用的共识模型，”组解释说。
可以想象，如果患者数据保护世界各地的医院可以参与，隐私担忧平息，和国会议员同意。宾夕法尼亚医药集团是跨机构的大规模测试的中间。
研究人员认为，联合学习，也被称为协作学习，将是AI的下一个浪潮。（据报道，谷歌实施了联合学习的第一个使用案例之一提高预测键盘。）
联合学习可以创造医疗使用AI更多的机会，根据Rivka Colen，宾夕法尼亚医药学研究的合着者和放射学在匹兹堡医学院大学的副教授。“我认为这是一个巨大的改变游戏规则，” Colen在新闻发布会上说。“AI将彻底改变这个领域，因为，现在，作为一个放射科医生，大多数的我们做的是描述性的。凭借深厚的学习，我们能够被隐藏在这层数字化图像中提取信息。”
共享一个通用模型的集成开发环境，而不是单独的数据，可以借给自己的其他应用，如物联网。康奈尔大学，例如，提出了一种在云边缘架构的联合学习物联网框架纸它最近出版。