隱私計(jì)算，能否讓醫(yī)療數(shù)據(jù)釋放應(yīng)有的價(jià)值？

4月12日-15日，雷峰網(wǎng)《醫(yī)健AI掘金志》以《隱私計(jì)算，讓AI釋放醫(yī)療數(shù)據(jù)的價(jià)值》為話題，邀請(qǐng)了四位隱私計(jì)算企業(yè)CXO，以線上云峰會(huì)的形式，討論隱私計(jì)算的技術(shù)路線和在醫(yī)療場(chǎng)景下的實(shí)際應(yīng)用前景，以及推演該產(chǎn)業(yè)的未來(lái)趨勢(shì)。

此次醫(yī)療隱私計(jì)算云峰會(huì)中，同盾科技合伙人，中科院醫(yī)學(xué)所首席科學(xué)家兼知識(shí)聯(lián)邦產(chǎn)學(xué)研聯(lián)盟理事長(zhǎng)李曉林教授，做了首期分享。

他以《可信AI賦能醫(yī)療：讓數(shù)據(jù)流通，讓知識(shí)共享》為題，依次分享了可信AI平臺(tái)建設(shè)的背景、可信AI平臺(tái)架構(gòu)，理論及實(shí)踐、可信AI平臺(tái)產(chǎn)品、可信AI平臺(tái)在醫(yī)藥場(chǎng)景下的應(yīng)用等四個(gè)方面。

他表示，數(shù)據(jù)已經(jīng)成為醫(yī)療數(shù)字化轉(zhuǎn)型升級(jí)的核心要素，但在隱私計(jì)算的商業(yè)化落地中，由于不同廠商技術(shù)方案和平臺(tái)產(chǎn)品的差異，數(shù)據(jù)呈現(xiàn)出類似“聯(lián)盟A”和“聯(lián)盟B”的分裂，原本的“數(shù)據(jù)孤島”成為了新的“數(shù)據(jù)群島”。

目前，不同行業(yè)和領(lǐng)域都亟需一個(gè)通用的可信AI平臺(tái)，在保護(hù)數(shù)據(jù)隱私、合法合規(guī)、保護(hù)數(shù)據(jù)價(jià)值的前提下，打通一個(gè)個(gè)數(shù)據(jù)群島。

以下為李曉林的分享內(nèi)容，雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))&《醫(yī)健AI掘金志》作了不改變?cè)獾木庉嫾罢怼?/strong>

可信AI平臺(tái)建設(shè)的背景

醫(yī)療領(lǐng)域有各種各樣的場(chǎng)景，不同場(chǎng)景下的醫(yī)療數(shù)據(jù)應(yīng)運(yùn)而生。

具體來(lái)看，醫(yī)療數(shù)據(jù)可分為組學(xué)數(shù)據(jù)庫(kù)、藥物化學(xué)數(shù)據(jù)庫(kù)、疾病數(shù)據(jù)庫(kù)，電子病歷數(shù)據(jù)庫(kù)、醫(yī)學(xué)影像數(shù)據(jù)庫(kù)，穿戴設(shè)備數(shù)據(jù)庫(kù)等六類。

這些醫(yī)療數(shù)據(jù)被很多平臺(tái)收集和使用，但在價(jià)值產(chǎn)生的過(guò)程中，它們也需要被嚴(yán)格保護(hù)。如今，數(shù)據(jù)隱私保護(hù)已經(jīng)成為法律、政策文件的關(guān)注重點(diǎn)。從去年開(kāi)始，數(shù)據(jù)安全法，個(gè)人信息保護(hù)法相繼出臺(tái)，數(shù)據(jù)隱私保護(hù)逐漸被社會(huì)所重視。

與此同時(shí)，數(shù)據(jù)隱私保護(hù)也加劇了醫(yī)療行業(yè)數(shù)據(jù)共享難、數(shù)據(jù)分析難的困境。

如今，我們一方面要保護(hù)數(shù)據(jù)隱私，另一方面也要打破數(shù)據(jù)屏障，尤其在以深入學(xué)習(xí)所引領(lǐng)的新一代人工智能的背景下，數(shù)據(jù)已經(jīng)成為醫(yī)療數(shù)字化轉(zhuǎn)型升級(jí)的核心要素。

但問(wèn)題是，醫(yī)療數(shù)據(jù)不僅面臨數(shù)據(jù)隱私難題，同時(shí)也面臨門(mén)檻高、數(shù)據(jù)異構(gòu)、類型復(fù)雜等問(wèn)題。我們要將每一個(gè)醫(yī)療領(lǐng)域積累多年的組學(xué)、基因、 DNA、影像等數(shù)據(jù)集合起來(lái)，難度非常大。

此外，在整合過(guò)程中，不同病人、不同醫(yī)院之間涉及到多方數(shù)據(jù)權(quán)益和多重?cái)?shù)據(jù)標(biāo)準(zhǔn)，也讓數(shù)據(jù)共享變得更具挑戰(zhàn)。

那么隱私計(jì)算如何解決數(shù)據(jù)共享和數(shù)據(jù)流通的問(wèn)題？

為了保護(hù)數(shù)據(jù)隱私，還要發(fā)揮數(shù)據(jù)價(jià)值，實(shí)現(xiàn)數(shù)據(jù)的安全合規(guī)流通，70年代開(kāi)始，業(yè)界已經(jīng)推出了一系列的隱私計(jì)算技術(shù)手段，比如同態(tài)加密、秘密分享等一系列數(shù)據(jù)“可用不可見(jiàn)”的思想。80年代，則衍生出多方安全計(jì)算、MPC等思想。

而在近幾年，又出現(xiàn)了三種新思想，比如可信執(zhí)行環(huán)境（TEE，Trusted Execution Environment），聯(lián)邦學(xué)習(xí)（FL，F(xiàn)ederated Learning），知識(shí)聯(lián)邦（KF，Knowledge  Federation）。它們共同把隱私計(jì)算推到了下一代可信AI的高度。

但與此同時(shí)，在隱私計(jì)算的商業(yè)化落地中，因?yàn)椴煌瑥S商技術(shù)方案和平臺(tái)產(chǎn)品的差異，數(shù)據(jù)呈現(xiàn)出類似“聯(lián)盟A”和“聯(lián)盟B”的分裂，原本的“數(shù)據(jù)孤島”又成為了新的“數(shù)據(jù)群島”。

因此，各行各業(yè)亟需建設(shè)一個(gè)可信AI平臺(tái)。在保護(hù)數(shù)據(jù)隱私、合法合規(guī)、保護(hù)數(shù)據(jù)價(jià)值的前提下，連通數(shù)據(jù)群島。

目前，市場(chǎng)中的開(kāi)源框架、主流研究聚焦在聯(lián)邦算法層級(jí)的研發(fā)，并不能徹底解決“群島”割裂的瓶頸。

想要充分地共享數(shù)據(jù)，共享知識(shí)，保持?jǐn)?shù)據(jù)流通，首要問(wèn)題是要有“一致性的保障”。

即聯(lián)邦中的多個(gè)成員節(jié)點(diǎn)，在約定協(xié)議的保障下，對(duì)一系列操作的處理結(jié)果達(dá)成“某種程度”的認(rèn)同。比如連接上保持任務(wù)、節(jié)點(diǎn)、狀態(tài)一致；流通上保持參數(shù)、算法、模型、加密、應(yīng)用、監(jiān)管日志一致。

可信AI平臺(tái)架構(gòu)、理論及實(shí)踐

為解決不同聯(lián)邦系統(tǒng)的互聯(lián)互通問(wèn)題，以及在更大范圍內(nèi)建立聯(lián)邦生態(tài)網(wǎng)絡(luò)，同盾科技打造了基于隱私計(jì)算的開(kāi)放AI平臺(tái)。

首先是這個(gè)平臺(tái)的架構(gòu)。

為充分發(fā)揮數(shù)據(jù)流通的價(jià)值，同盾科技打造了一套基于隱私計(jì)算的開(kāi)放共享智能平臺(tái)，其核心是智邦平臺(tái)iBond，底層是智邦的內(nèi)核iCore。

此外，同盾科技還打造了全面互聯(lián)互通參考模型FIRM模型（open Federated system Interconnection/ReferenceModel，即圖右框架）。

這是一個(gè)多層次的互聯(lián)互通參考模型，把互聯(lián)互通分為四個(gè)層次，包括通信層（Ionic）、數(shù)據(jù)交換層（FLEX）、算法層（Caffeine）、應(yīng)用層（SAFE）。其中，通信層、數(shù)據(jù)交換層，是參與方進(jìn)行安全數(shù)據(jù)交換的基礎(chǔ)。

理論上，F(xiàn)IRM中每一層都建立在它的下層之上，向它的上一層提供一定的服務(wù)，并把如何實(shí)現(xiàn)這一服務(wù)的細(xì)節(jié)對(duì)上一層加以屏蔽。

為此，需要針對(duì)每一層定義標(biāo)準(zhǔn)化的協(xié)議規(guī)范，并在協(xié)議中詳細(xì)描述該層所提供的服務(wù)和動(dòng)作，以保證提供有效的服務(wù)。

而且，每層的功能定義與實(shí)現(xiàn)細(xì)節(jié)相區(qū)分，從而使得模型具有普遍的適應(yīng)能力。

其次是這個(gè)平臺(tái)的理論--知識(shí)聯(lián)邦。

知識(shí)聯(lián)邦的理論框架包括4個(gè)層次：

底層是信息層，從數(shù)據(jù)提煉成信息，可以通過(guò)一定的計(jì)算或者查詢，甚至是一些密文的相對(duì)簡(jiǎn)單的統(tǒng)計(jì)信息；

模型層可以做一些聯(lián)合建模，做一些相對(duì)復(fù)雜的一些機(jī)器學(xué)習(xí)模型，或者深度學(xué)習(xí)的模型；

認(rèn)知層是一個(gè)中間狀態(tài)的集合層，可以支持遷移學(xué)習(xí)，集成學(xué)習(xí)，知識(shí)蒸餾等等；

知識(shí)層可以做一些知識(shí)推理和知識(shí)的發(fā)現(xiàn)表達(dá)。

這四層全方位融合了多方安全計(jì)算（MPC）、聯(lián)邦學(xué)習(xí)（FL）、可信執(zhí)行環(huán)境（TEE）等多種技術(shù)，實(shí)現(xiàn)了數(shù)據(jù)可用不可見(jiàn)、知識(shí)共創(chuàng)可共享，并首次將認(rèn)知和知識(shí)引入隱私計(jì)算范疇，目標(biāo)是實(shí)現(xiàn)下一代可信、可解釋、可推理、可決策的人工智能。

目前，知識(shí)聯(lián)邦支持安全多方查詢、計(jì)算、學(xué)習(xí)、推理等多種功能。從技術(shù)上看，知識(shí)聯(lián)邦在借鑒一些相關(guān)技術(shù)的同時(shí)，也具有一定的獨(dú)創(chuàng)性，尤其是認(rèn)知層和知識(shí)層聯(lián)邦都屬于國(guó)內(nèi)自主創(chuàng)新，超越了國(guó)外的初級(jí)聯(lián)邦學(xué)習(xí)。

最后是該平臺(tái)的實(shí)踐--數(shù)據(jù)安全交換協(xié)議FLEX。

數(shù)據(jù)安全交換協(xié)議的FLEX(Federated Learning Exchange）是一套開(kāi)源的標(biāo)準(zhǔn)化聯(lián)邦協(xié)議。

FLEX協(xié)議約定了聯(lián)邦過(guò)程中參與方之間數(shù)據(jù)交換順序，以及在交換前后采用的數(shù)據(jù)加解密方法。就像HTTP協(xié)議承載了我們今天看到的極度豐富的互聯(lián)網(wǎng)應(yīng)用一樣，聯(lián)邦協(xié)議也是建立聯(lián)邦學(xué)習(xí)應(yīng)用所必不可少的基礎(chǔ)協(xié)議。

有了這個(gè)協(xié)議才能使得聯(lián)邦學(xué)習(xí)應(yīng)用得以標(biāo)準(zhǔn)化，使得聯(lián)邦學(xué)習(xí)過(guò)程中的數(shù)據(jù)安全、模型性能得到有效的保障。

它的實(shí)現(xiàn)方式是通過(guò)約定聯(lián)邦過(guò)程中參與方之間數(shù)據(jù)交換順序，以及在交換前后采用地?cái)?shù)據(jù)加解密方法，從而打破平臺(tái)孤島。

目前我們已發(fā)布《知識(shí)聯(lián)邦數(shù)據(jù)安全交換（FLEX）白皮書(shū)》，體現(xiàn)了兩層協(xié)議：

一是應(yīng)用協(xié)議，面向聯(lián)邦算法的，為聯(lián)邦算法提供多方數(shù)據(jù)交換的應(yīng)用支撐。聯(lián)邦過(guò)程中采用的通信協(xié)議也會(huì)被封裝在這里。

二是公共組件，是上層應(yīng)用協(xié)議所依賴的基礎(chǔ)密碼算法和安全協(xié)議，比如同態(tài)加密、秘密分享等。

可信AI平臺(tái)產(chǎn)品

首先，為了讓知識(shí)聯(lián)邦得到更好地應(yīng)用，我們基于知識(shí)聯(lián)邦理論框架和FLEX交換協(xié)議，打造了平臺(tái)產(chǎn)品--智邦iBond。

它包括一系列的工業(yè)界應(yīng)用場(chǎng)景，都以數(shù)據(jù)可用不可見(jiàn)的方式執(zhí)行，比如發(fā)起聯(lián)邦和MPC、調(diào)度任務(wù)、注冊(cè)數(shù)據(jù)等。

對(duì)于用戶來(lái)說(shuō)，既可以從算法庫(kù)里面直接調(diào)用簡(jiǎn)單算法，也可以自己定制。接下來(lái)，用戶可以把任務(wù)遞交給智邦平臺(tái)做調(diào)度和執(zhí)行，并對(duì)輸出的結(jié)果做出評(píng)測(cè)，比如性能評(píng)測(cè)，功能評(píng)測(cè)，日志檢查等。

此外，用戶也可以遞交應(yīng)用、數(shù)據(jù)、算法、通訊協(xié)議到我們的數(shù)據(jù)要素市場(chǎng)，用于替換我們的底層數(shù)據(jù)通信層。

其次，基于合規(guī)的互聯(lián)互通，我們進(jìn)一步打造出數(shù)據(jù)的要素市場(chǎng)，即智邦iData。

各方數(shù)據(jù)可以在這個(gè)統(tǒng)一平臺(tái)上，以安全合規(guī)的方式做交換、交易，共享。

以數(shù)據(jù)交易舉例，智邦iData將不用的用戶劃分為數(shù)據(jù)提供方、數(shù)據(jù)使用方；應(yīng)用開(kāi)發(fā)者、應(yīng)用提供方、使用方。各方將數(shù)據(jù)、應(yīng)用發(fā)布在iData上，按照貢獻(xiàn)度、使用量或者市場(chǎng)機(jī)制給予數(shù)據(jù)定價(jià)，從而實(shí)現(xiàn)數(shù)據(jù)價(jià)值變現(xiàn)。

比如在國(guó)內(nèi)醫(yī)罕見(jiàn)病的治療上，就可以將全國(guó)各地醫(yī)院和科研小組的罕見(jiàn)病數(shù)據(jù)都放到iData數(shù)據(jù)要素市場(chǎng)，從而極大提高某一罕見(jiàn)病的醫(yī)療數(shù)據(jù)，從而進(jìn)一步提高疾病診療模型。

在這些工作的基礎(chǔ)上，我們希望能夠建成一個(gè)真正的醫(yī)療可信AI平臺(tái)：國(guó)內(nèi)各種醫(yī)療機(jī)構(gòu)能夠安全、合法合規(guī)地共享醫(yī)療數(shù)據(jù)，最大化生產(chǎn)資料的潛力，促進(jìn)新的診斷算法和新的醫(yī)療生態(tài)誕生。

可信AI平臺(tái)在醫(yī)藥場(chǎng)景下的應(yīng)用

在智慧醫(yī)療、普惠醫(yī)療和藥物創(chuàng)新領(lǐng)域，可信AI平臺(tái)能夠提供哪些幫助？

第一個(gè)應(yīng)用案例是用密文計(jì)算做醫(yī)療輔助診斷。

對(duì)人工智能輔助診療來(lái)說(shuō)，根本上是以大數(shù)據(jù)作為訓(xùn)練基礎(chǔ)，不僅需要豐富多元的醫(yī)療大數(shù)據(jù)，還需要打上大量的數(shù)據(jù)標(biāo)注。對(duì)小型醫(yī)療機(jī)構(gòu)或者偏遠(yuǎn)地區(qū)的醫(yī)療機(jī)構(gòu)來(lái)說(shuō)，它們并不具備模型訓(xùn)練能力。

但對(duì)于很多大型醫(yī)療機(jī)構(gòu)，它們既有能力采購(gòu)高精設(shè)備，還擁有豐富的患者病例，從而沉淀出高質(zhì)量標(biāo)記數(shù)據(jù)和AI輔助診斷模型。

小型醫(yī)院就可以通過(guò)智邦平臺(tái)將加密數(shù)據(jù)提供給大型醫(yī)療機(jī)構(gòu)，利用大型醫(yī)療機(jī)構(gòu)的數(shù)據(jù)優(yōu)勢(shì)提升AI模型的診斷能力。

無(wú)論是通過(guò)同態(tài)加密、MPC、聯(lián)邦學(xué)習(xí)，還是大模型的共享模型做數(shù)據(jù)共享，小型醫(yī)療結(jié)構(gòu)都可以獲得相當(dāng)高的數(shù)據(jù)精度，而不會(huì)受限于小數(shù)據(jù)或者小模型的難題。

第二個(gè)應(yīng)用案例是通過(guò)安全SQL來(lái)查詢，做健康險(xiǎn)風(fēng)險(xiǎn)等級(jí)評(píng)估。

在對(duì)投保人的健康做風(fēng)險(xiǎn)評(píng)估中，查詢方為保險(xiǎn)機(jī)構(gòu)，被查詢方是持有投保意向用戶的ID信息醫(yī)療的大數(shù)據(jù)機(jī)構(gòu)。

當(dāng)評(píng)估風(fēng)險(xiǎn)時(shí)，一般需要在保護(hù)用戶隱私且保證數(shù)據(jù)安全的前提下綜合分析BMI和年齡。當(dāng)“投保人BMI ≤25且年齡＜50歲”，則被認(rèn)為是具有較高信用的投保人。

在實(shí)際操作中，我們就可以用到隱私計(jì)算，通過(guò)SQL語(yǔ)句和PSI對(duì)投保人進(jìn)行風(fēng)險(xiǎn)評(píng)估。這樣既不會(huì)泄露用戶隱私，又能夠得到精確評(píng)估結(jié)果，是一舉雙得的結(jié)果。

同樣，也可以通過(guò)聯(lián)邦建模對(duì)某種疾病患者的社會(huì)行為做出風(fēng)險(xiǎn)評(píng)估。比如公安局或者衛(wèi)健委，通過(guò)多方聯(lián)合建模實(shí)現(xiàn)對(duì)重性酒精依賴疾病患者肇事肇禍動(dòng)態(tài)風(fēng)險(xiǎn)評(píng)估，從而分級(jí)分類監(jiān)管，精準(zhǔn)預(yù)判，提升居民公共安全等級(jí)。

第三個(gè)案例是通過(guò)聯(lián)邦建模，實(shí)現(xiàn)個(gè)性化智能診療。

比如很多有基礎(chǔ)病的老年人確診新冠，這時(shí)候他們會(huì)出現(xiàn)什么并發(fā)癥，每種并發(fā)癥出現(xiàn)的可能性有多大？

現(xiàn)如今，通過(guò)機(jī)器學(xué)習(xí)對(duì)患者手術(shù)前后做出個(gè)性化的并發(fā)癥預(yù)測(cè)，是一種顯著提高患者可救性的一種方式。通過(guò)對(duì)真實(shí)臨床大數(shù)據(jù)進(jìn)行聯(lián)邦建模，在數(shù)據(jù)清洗、臨床特征提取和結(jié)構(gòu)化數(shù)據(jù)基礎(chǔ)上構(gòu)建預(yù)測(cè)模型，具有強(qiáng)大的風(fēng)險(xiǎn)預(yù)測(cè)能力，且能夠準(zhǔn)確分類不同風(fēng)險(xiǎn)級(jí)的患者，幫助醫(yī)生科學(xué)決策。

此外，隱私計(jì)算也能適應(yīng)于罕見(jiàn)病的治療上。

比如每個(gè)醫(yī)院在一些罕見(jiàn)病數(shù)據(jù)上有一定的保密，病人信息也會(huì)涉及到個(gè)人隱私，那么我們可以通過(guò)多家醫(yī)院協(xié)同共創(chuàng)一個(gè)隱私計(jì)算大模型來(lái)共享數(shù)據(jù)，從而提高罕見(jiàn)病的治療能力。

目前我們已經(jīng)推出醫(yī)生專家與可信AI平臺(tái)協(xié)同互補(bǔ)（人機(jī)協(xié)同，human in the loop）的診斷模式，醫(yī)生專家可以在輔助診斷的基礎(chǔ)上對(duì)病人做出一些判斷，同時(shí)提升可信AI平臺(tái)上的算法或者模型的預(yù)測(cè)精度。

第四個(gè)案例是認(rèn)知層的聯(lián)邦學(xué)習(xí)，通過(guò)知識(shí)蒸餾，協(xié)作藥物發(fā)現(xiàn)。

制藥領(lǐng)域也通常面臨非常復(fù)雜的知識(shí)產(chǎn)權(quán)和經(jīng)濟(jì)利益問(wèn)題，使得制藥機(jī)構(gòu)之間進(jìn)行數(shù)據(jù)直接共享和合作幾乎不可能。但同時(shí)，基于神經(jīng)網(wǎng)絡(luò)的藥物發(fā)現(xiàn)模型所需的參數(shù)量較大，在進(jìn)行參數(shù)聚合時(shí)，模型訓(xùn)練時(shí)間隨著數(shù)據(jù)量成指數(shù)倍增。

因此，藥物發(fā)現(xiàn)過(guò)程的數(shù)據(jù)變得極為珍貴和稀缺。

那么有什么方式能夠共享藥物發(fā)現(xiàn)數(shù)據(jù)？

一是通過(guò)聯(lián)邦學(xué)習(xí)，解決多個(gè)制藥機(jī)構(gòu)利用NN模型進(jìn)行協(xié)作藥物發(fā)現(xiàn)的問(wèn)題，效果顯著優(yōu)于單機(jī)構(gòu)僅使用私有數(shù)據(jù)本地NN建模；

二是通過(guò)蒸餾學(xué)習(xí)，解決參與聚合的模型參數(shù)量過(guò)大的問(wèn)題，并獲得與直接整合各機(jī)構(gòu)藥物分子結(jié)構(gòu)數(shù)據(jù)進(jìn)行NN建模相同/近似的模型效果；

三是采用認(rèn)知層聯(lián)邦，對(duì)各參與方的知識(shí)進(jìn)行遷移學(xué)習(xí)，可在保護(hù)藥物分子結(jié)構(gòu)隱私的前提條件下，解決領(lǐng)域適應(yīng)和數(shù)據(jù)集偏移問(wèn)題。

而且，針對(duì)一些藥物失敗的案例，這部分?jǐn)?shù)據(jù)也能做資源共享，從而避免廣譜地、隨機(jī)地選擇藥物試驗(yàn)病人。

整體來(lái)講，通過(guò)可信AI的平臺(tái)能夠解決多個(gè)制藥機(jī)構(gòu)、藥物研發(fā)機(jī)構(gòu)，研究院所或者研究小組的數(shù)據(jù)問(wèn)題，幫助各方提升自己本地的藥物發(fā)現(xiàn)的精度和成功率，甚至提高藥物臨床表現(xiàn)。

 第五個(gè)案例是通過(guò)FPGA，高效隱私保護(hù)機(jī)器學(xué)習(xí)。

多方聯(lián)合建模時(shí)，往往通過(guò)同態(tài)加密技術(shù)對(duì)傳輸/聚合的參數(shù)進(jìn)行保護(hù)。但密文加解密及基于密文上的運(yùn)算，計(jì)算速度常常是建模的瓶頸問(wèn)題之一。

如果采用軟件+硬件(如: FPGA、 GPU、加密卡等)復(fù)合技術(shù)，構(gòu)建基于加解密芯片的聚合器，把FPGA嵌入到聯(lián)邦學(xué)習(xí)系統(tǒng)，則能夠顯著提高加密算法(如Paillier) 的執(zhí)行速度和并行度，從而提高數(shù)據(jù)加密和解密的效率，減少訓(xùn)練的迭代時(shí)間。

這一方法可用于可信AI平臺(tái)在醫(yī)療領(lǐng)域的使用，比如醫(yī)療影像的數(shù)據(jù)非常龐大，如果能夠通過(guò)硬件加速來(lái)全方位提升運(yùn)算效率，那么將很大程度地推進(jìn)醫(yī)療隱私計(jì)算和數(shù)據(jù)安全交換等應(yīng)用。

以上就是我的分享，謝謝大家。

此外，醫(yī)健AI掘金志也上線了李曉林教授的演講視頻，感興趣的朋友可以關(guān)注公眾號(hào) 醫(yī)健AI掘金志，對(duì)話框回復(fù)關(guān)鍵詞“李曉林”，即可回看。

雷峰網(wǎng)雷峰網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。