联邦学习在数字医疗中的新发现、创新及应用

近年来，数字医疗中的人工智能（AI）面临着重大挑战，由于：1）现代数据驱动的学习模型需要越来越多的数据来进行合适的泛化；2）法规规定和用户需求对数据隐私问题的新要求及限制。此外，随着智能手机、物联网（IoT）传感器和可穿戴设备等用户设备收集越来越多的数字医疗数据，其包含敏感的个人信息致使部分数据只能在相关设备或数据孤岛中使用。

联邦学习逐渐演变为一种在遵守隐私保护要求的同时强化数据驱动的学习模型的新范式。因此，联邦学习将是未来人工智能应用于数字医疗的关键推动因素。此Patterns特辑旨在将学术界和工业界的思想领袖聚集在一起，以展示数字医疗领域中与联邦学习相关的原创性研究和综述文章。

扫描二维码

查看征稿详情

征稿主题

：联邦学习在数字医疗中的新发现、创新及应用

提交截止日期：2023年7月31日

客座编辑：Guang Yang教授，Daguang Xu博士，Spyridon Bakas教授，Xiaoxiao Li‬教授，Qi Dou教授，Brandon Edwards博士

Patterns编辑：Wanying Wang博士

稿件覆盖的具体主题包括但不限于：

横向联邦学习、纵向联邦学习及联邦迁移学习；
个性化联邦学习；
联邦学习中的差分隐私；
联邦学习的威胁：对抗攻击和防御；
可理解和可解释的联邦学习；
联邦学习的数据集和基准；
联邦学习在数字医疗领域中的应用；
联邦学习中的多方计算和同态加密。

我们将根据期刊的标准对所有投稿进行评估，发表医疗领域中与联邦学习相关的突破性新发现、方法或资源类文章，并以FAIR原则和开放方式共享基础代码和数据。

关于文章类型，我们欢迎您向我们提交原创的研究工作（Research）以及全面及时的综述（Review）、观点（Perspectives）和意见（Opinions）文章。请感兴趣投稿的作者依照《作者指南》写作在线提交，并在cover letter中指明您是为“Federated learning in digital healthcare: new discoveries, advances, and applications”特辑投稿。