一、醫(yī)療數(shù)據(jù)困境：聯(lián)邦學(xué)習(xí)的必然選擇演講人2026-01-12

CONTENTS醫(yī)療數(shù)據(jù)困境：聯(lián)邦學(xué)習(xí)的必然選擇沙盒環(huán)境：醫(yī)療聯(lián)邦學(xué)習(xí)的安全基石模型共享：從“可用”到“好用”的機(jī)制設(shè)計(jì)挑戰(zhàn)與應(yīng)對：醫(yī)療聯(lián)邦學(xué)習(xí)沙盒的現(xiàn)實(shí)困境實(shí)踐案例：聯(lián)邦學(xué)習(xí)沙盒在肺結(jié)節(jié)檢測中的應(yīng)用目錄

聯(lián)邦學(xué)習(xí)醫(yī)療AI：沙盒中的數(shù)據(jù)安全與模型共享聯(lián)邦學(xué)習(xí)醫(yī)療AI：沙盒中的數(shù)據(jù)安全與模型共享引言：醫(yī)療AI的“數(shù)據(jù)困境”與聯(lián)邦學(xué)習(xí)的破局之道在參與某三甲醫(yī)院與醫(yī)療AI企業(yè)聯(lián)合開展的心電圖智能診斷項(xiàng)目時(shí)，我曾面臨一個(gè)棘手的矛盾：醫(yī)院積累了數(shù)萬份標(biāo)注精細(xì)的心電數(shù)據(jù)，這些數(shù)據(jù)對訓(xùn)練高精度模型至關(guān)重要，但院方明確表示“原始數(shù)據(jù)絕不出院”——這不僅源于《個(gè)人信息保護(hù)法》對敏感健康數(shù)據(jù)的嚴(yán)格管控，更源于對患者隱私的絕對責(zé)任。與此同時(shí)，多家基層醫(yī)療機(jī)構(gòu)雖擁有海量數(shù)據(jù)，卻因標(biāo)注成本高、技術(shù)能力弱，難以獨(dú)立訓(xùn)練有效模型。這種“數(shù)據(jù)孤島”與“模型需求”的尖銳沖突，恰是當(dāng)前醫(yī)療AI發(fā)展的核心痛點(diǎn)。

醫(yī)療數(shù)據(jù)的特殊性（高隱私性、高價(jià)值性、強(qiáng)關(guān)聯(lián)性）決定了傳統(tǒng)“數(shù)據(jù)集中訓(xùn)練”模式難以為繼。而聯(lián)邦學(xué)習(xí)（FederatedLearning,FL）作為一種“數(shù)據(jù)不動(dòng)模型動(dòng)”的分布式機(jī)器學(xué)習(xí)范式，為破解這一困境提供了技術(shù)可能。然而，聯(lián)邦學(xué)習(xí)并非萬能藥：在開放醫(yī)療場景中，如何防止參與方惡意攻擊（如數(shù)據(jù)投毒、模型逆向攻擊）？如何確保模型共享過程中不泄露參與方隱私？如何平衡模型性能提升與數(shù)據(jù)安全邊界？這些問題催生了“沙盒環(huán)境”的必要性——即在隔離、可控的虛擬空間中，實(shí)現(xiàn)醫(yī)療數(shù)據(jù)的安全協(xié)作與模型的有效共享。本文將以行業(yè)實(shí)踐者的視角，系統(tǒng)闡述聯(lián)邦學(xué)習(xí)在醫(yī)療AI中的應(yīng)用邏輯，重點(diǎn)剖析沙盒環(huán)境如何構(gòu)建數(shù)據(jù)安全屏障，并深入探討模型共享的機(jī)制設(shè)計(jì)與實(shí)踐路徑。01ONE醫(yī)療數(shù)據(jù)困境：聯(lián)邦學(xué)習(xí)的必然選擇

1醫(yī)療數(shù)據(jù)的“三重屬性”與治理挑戰(zhàn)醫(yī)療數(shù)據(jù)是AI醫(yī)療的“石油”，但其特殊性使其治理難度遠(yuǎn)超其他領(lǐng)域：-高隱私敏感性：健康數(shù)據(jù)直接關(guān)聯(lián)個(gè)人身份、疾病史等隱私信息，一旦泄露可能引發(fā)嚴(yán)重社會(huì)問題。根據(jù)《人類遺傳資源管理?xiàng)l例》，我國對人類遺傳材料實(shí)施“全流程監(jiān)管”，未經(jīng)許可的數(shù)據(jù)跨境或共享均屬違法。-高價(jià)值密度性：醫(yī)療數(shù)據(jù)包含豐富的臨床語義（如影像中的病灶特征、病歷中的診斷邏輯），標(biāo)注成本極高（一份合格的醫(yī)學(xué)影像標(biāo)注需專業(yè)醫(yī)師耗時(shí)數(shù)小時(shí)）。-強(qiáng)異構(gòu)分布性：不同醫(yī)院的數(shù)據(jù)因設(shè)備型號、診療習(xí)慣、患者群體差異，存在顯著分布偏差（如三甲醫(yī)院的重癥數(shù)據(jù)占比遠(yuǎn)高于基層醫(yī)院），這導(dǎo)致傳統(tǒng)集中訓(xùn)練模型易產(chǎn)生“域適應(yīng)”問題。

2傳統(tǒng)醫(yī)療AI訓(xùn)練模式的“不可行性”當(dāng)前主流醫(yī)療AI訓(xùn)練模式可分為“本地訓(xùn)練”與“數(shù)據(jù)集中訓(xùn)練”，二者均存在明顯缺陷：-本地訓(xùn)練：模型僅在單機(jī)構(gòu)數(shù)據(jù)上訓(xùn)練，因數(shù)據(jù)量有限、樣本單一，難以泛化到復(fù)雜臨床場景（如基層醫(yī)院的設(shè)備噪聲、罕見病樣本不足）。-數(shù)據(jù)集中訓(xùn)練：通過“數(shù)據(jù)脫敏+匿名化”后集中訓(xùn)練，但實(shí)踐中“匿名化”效果有限（通過多源數(shù)據(jù)關(guān)聯(lián)仍可重新識別個(gè)體），且違背了“數(shù)據(jù)最小化原則”。此外，數(shù)據(jù)集中還面臨“責(zé)任主體模糊”——若因數(shù)據(jù)質(zhì)量問題導(dǎo)致模型誤診，責(zé)任由誰承擔(dān)？

3聯(lián)邦學(xué)習(xí)：從“數(shù)據(jù)孤島”到“模型聯(lián)邦”的范式革新聯(lián)邦學(xué)習(xí)由谷歌于2016年提出，其核心思想是“參與方不共享原始數(shù)據(jù)，僅交換模型參數(shù)或梯度”，通過多輪迭代訓(xùn)練得到全局模型。在醫(yī)療場景中，聯(lián)邦學(xué)習(xí)的優(yōu)勢體現(xiàn)在：-隱私保護(hù)：原始數(shù)據(jù)始終存儲(chǔ)在本地，僅上傳加密后的模型參數(shù)（如梯度、權(quán)重），從源頭避免數(shù)據(jù)泄露風(fēng)險(xiǎn)。-數(shù)據(jù)價(jià)值最大化：多機(jī)構(gòu)數(shù)據(jù)“虛擬聚合”，突破單機(jī)構(gòu)數(shù)據(jù)量限制，提升模型泛化能力。-責(zé)任明確：參與方僅貢獻(xiàn)本地模型，不直接接觸其他機(jī)構(gòu)數(shù)據(jù)，責(zé)任邊界清晰。然而，聯(lián)邦學(xué)習(xí)并非“絕對安全”：若攻擊者通過梯度反演（GradientInversion）重建數(shù)據(jù)，或通過模型投毒（ModelPoisoning）破壞模型性能，仍可能導(dǎo)致安全風(fēng)險(xiǎn)。這要求我們必須在聯(lián)邦學(xué)習(xí)框架下構(gòu)建“安全隔離”的沙盒環(huán)境。02ONE沙盒環(huán)境：醫(yī)療聯(lián)邦學(xué)習(xí)的安全基石

沙盒環(huán)境：醫(yī)療聯(lián)邦學(xué)習(xí)的安全基石2.1什么是醫(yī)療聯(lián)邦學(xué)習(xí)“沙盒”？沙盒（Sandbox）源于計(jì)算機(jī)安全領(lǐng)域，指隔離的虛擬運(yùn)行環(huán)境，限制程序?qū)Y源的訪問權(quán)限。在醫(yī)療聯(lián)邦學(xué)習(xí)中，沙盒是一個(gè)“安全協(xié)作空間”，其核心特征包括：-數(shù)據(jù)隔離：參與方的原始數(shù)據(jù)始終存儲(chǔ)在本地沙盒內(nèi)，僅通過加密通道與聯(lián)邦服務(wù)器交互。-權(quán)限可控：基于角色的訪問控制（RBAC），不同參與方（如醫(yī)院、企業(yè)、監(jiān)管機(jī)構(gòu)）擁有不同操作權(quán)限（如數(shù)據(jù)上傳、模型下載、審計(jì)查看）。-行為可溯：全流程操作日志記錄（如參數(shù)上傳時(shí)間、梯度更新幅度），支持事后審計(jì)與溯源。-合規(guī)適配：內(nèi)置醫(yī)療數(shù)據(jù)合規(guī)規(guī)則（如GDPR、HIPAA、我國《數(shù)據(jù)安全法》），實(shí)時(shí)監(jiān)控操作合規(guī)性。

2沙盒環(huán)境下的數(shù)據(jù)安全保障機(jī)制2.1技術(shù)層：加密與隱私計(jì)算技術(shù)-聯(lián)邦加密（FederatedEncryption）：采用同態(tài)加密（HomomorphicEncryption）或安全多方計(jì)算（SecureMulti-PartyComputation,SMPC）對模型參數(shù)進(jìn)行加密傳輸。例如，在聯(lián)邦聚合階段，服務(wù)器無法直接獲取參與方的原始梯度，僅能通過SMPC協(xié)議計(jì)算加權(quán)平均值。-差分隱私（DifferentialPrivacy,DP）：在參與方上傳梯度或參數(shù)時(shí)添加calibrated噪聲，確保單個(gè)數(shù)據(jù)樣本對模型輸出的影響微乎其微，防止攻擊者通過梯度反演重建數(shù)據(jù)。例如，在心電圖聯(lián)邦學(xué)習(xí)中，我們曾通過添加Laplace噪聲（ε=0.5），使模型精度僅下降1.2%，但梯度反演攻擊的準(zhǔn)確率從78%降至3%。

2沙盒環(huán)境下的數(shù)據(jù)安全保障機(jī)制2.1技術(shù)層：加密與隱私計(jì)算技術(shù)-模型水?。╓atermarking）：在模型中嵌入唯一水印，若參與方在共享模型中植入惡意代碼（如后門），可通過水印檢測快速定位來源。

2沙盒環(huán)境下的數(shù)據(jù)安全保障機(jī)制2.2管理層：合規(guī)與審計(jì)框架-數(shù)據(jù)脫敏預(yù)處理：在數(shù)據(jù)進(jìn)入沙盒前，通過自動(dòng)化工具去除直接標(biāo)識符（如姓名、身份證號）和間接標(biāo)識符（如住院號、設(shè)備序列號），僅保留“醫(yī)療語義特征”（如病灶大小、生化指標(biāo)）。-動(dòng)態(tài)權(quán)限管理：基于零信任架構(gòu)（ZeroTrust），參與方的權(quán)限需通過“身份認(rèn)證-行為評估-風(fēng)險(xiǎn)評級”三重驗(yàn)證。例如，基層醫(yī)療機(jī)構(gòu)僅可下載全局模型，無法查看其他機(jī)構(gòu)的參數(shù)更新記錄；監(jiān)管機(jī)構(gòu)擁有審計(jì)權(quán)限，但不參與模型訓(xùn)練。-全流程審計(jì)日志：采用區(qū)塊鏈技術(shù)存儲(chǔ)操作日志，確保日志不可篡改。例如，在某肺部結(jié)節(jié)檢測項(xiàng)目中，我們曾通過審計(jì)日志發(fā)現(xiàn)某醫(yī)院異常上傳了300次梯度（遠(yuǎn)超正常頻率的20次/輪），及時(shí)阻止了潛在的數(shù)據(jù)投毒攻擊。123

3沙盒的構(gòu)建與實(shí)施路徑構(gòu)建醫(yī)療聯(lián)邦學(xué)習(xí)沙盒需遵循“需求-設(shè)計(jì)-測試-上線”四步法則：1.需求明確：梳理參與方數(shù)據(jù)特征（如數(shù)據(jù)類型、量級、異構(gòu)性）、合規(guī)要求（如是否涉及跨境數(shù)據(jù)）、業(yè)務(wù)目標(biāo)（如模型精度、推理速度）。2.架構(gòu)設(shè)計(jì)：采用“聯(lián)邦服務(wù)器+本地沙盒”雙層架構(gòu)。聯(lián)邦服務(wù)器負(fù)責(zé)參數(shù)聚合、模型分發(fā)，本地沙盒集成數(shù)據(jù)預(yù)處理、加密通信、權(quán)限控制模塊。3.安全測試：通過“滲透測試+紅藍(lán)對抗”驗(yàn)證沙盒安全性。例如，邀請白帽黑客模擬梯度反演、模型投毒等攻擊，評估加密算法與隱私保護(hù)技術(shù)的有效性。4.試點(diǎn)上線：選擇2-3家數(shù)據(jù)特征互補(bǔ)的機(jī)構(gòu)（如三甲醫(yī)院+基層社區(qū)中心）開展試點(diǎn)，迭代優(yōu)化沙盒配置（如調(diào)整差分隱私噪聲強(qiáng)度、優(yōu)化聚合算法）。03ONE模型共享：從“可用”到“好用”的機(jī)制設(shè)計(jì)

1醫(yī)療模型共享的核心價(jià)值模型共享是聯(lián)邦學(xué)習(xí)的最終目標(biāo)，其價(jià)值體現(xiàn)在三個(gè)層面：-資源優(yōu)化：基層醫(yī)療機(jī)構(gòu)無需投入大量成本訓(xùn)練模型，可直接下載全局模型用于臨床輔助診斷，提升醫(yī)療資源可及性。-持續(xù)進(jìn)化：通過多輪聯(lián)邦學(xué)習(xí)，模型不斷吸收新數(shù)據(jù)知識，性能持續(xù)提升（如某糖尿病預(yù)測模型在5輪聯(lián)邦學(xué)習(xí)后，AUC從0.82提升至0.89）。-生態(tài)共建：形成“數(shù)據(jù)貢獻(xiàn)-模型共享-價(jià)值回饋”的正向循環(huán)，推動(dòng)醫(yī)療AI從“單點(diǎn)突破”向“系統(tǒng)化應(yīng)用”演進(jìn)。

2模型共享的兩種模式2.1中心化共享模式-適用場景：數(shù)據(jù)異構(gòu)性較低、信任度高的場景（如同一家集團(tuán)醫(yī)院下屬的多家分院）。-優(yōu)勢：實(shí)現(xiàn)簡單、通信效率高（僅需上傳梯度，無需參與方交互）。-劣勢：存在“單點(diǎn)故障風(fēng)險(xiǎn)”（若服務(wù)器被攻擊，全局模型可能被篡改）。-架構(gòu)：由單一聯(lián)邦服務(wù)器負(fù)責(zé)模型訓(xùn)練與分發(fā)，參與方作為“客戶端”僅貢獻(xiàn)本地?cái)?shù)據(jù)并接收全局模型。

2模型共享的兩種模式2.2去中心化共享模式-架構(gòu)：無中央服務(wù)器，參與方之間直接通過P2P網(wǎng)絡(luò)交換模型參數(shù)（如FedAvg算法的改進(jìn)版FedProx）。-優(yōu)勢：去中心化架構(gòu)避免單點(diǎn)故障，安全性更高。-適用場景：跨機(jī)構(gòu)、低信任度的場景（如三甲醫(yī)院與獨(dú)立第三方影像中心）。-劣勢：通信開銷大（需兩兩交互）、收斂速度慢。

3模型共享的質(zhì)量保障機(jī)制模型共享并非“簡單下載”，需通過技術(shù)手段確保模型“可用、可信、可用”：-聯(lián)邦聚合優(yōu)化：針對醫(yī)療數(shù)據(jù)異構(gòu)性問題，采用個(gè)性化聯(lián)邦學(xué)習(xí)（PersonalizedFL）算法。例如，在皮膚病變分類任務(wù)中，我們?yōu)椴煌つw類型（黃種人、白種人）的醫(yī)院訓(xùn)練個(gè)性化子模型，全局模型作為“初始模板”，子模型在本地微調(diào)后共享，最終模型精度較傳統(tǒng)FedAvg提升8.3%。-模型蒸餾（KnowledgeDistillation）：將多個(gè)“專家模型”（如不同醫(yī)院訓(xùn)練的局部模型）的知識蒸餾到“輕量學(xué)生模型”中，使共享模型既能保留全局知識，又能適應(yīng)本地設(shè)備（如基層醫(yī)院的移動(dòng)超聲設(shè)備）。-性能評估與反饋：建立“模型-數(shù)據(jù)-任務(wù)”匹配評估體系，參與方下載模型后，需在本地測試集上評估性能（如敏感度、特異度），并將評估結(jié)果反饋至聯(lián)邦服務(wù)器，用于優(yōu)化后續(xù)訓(xùn)練策略。

4模型共享的激勵(lì)機(jī)制模型共享面臨“搭便車”問題（部分機(jī)構(gòu)僅使用模型而不貢獻(xiàn)數(shù)據(jù)），需設(shè)計(jì)合理的激勵(lì)機(jī)制：01-數(shù)據(jù)貢獻(xiàn)度量化：通過“數(shù)據(jù)量+數(shù)據(jù)質(zhì)量”雙指標(biāo)評估參與方貢獻(xiàn)。例如，某醫(yī)院貢獻(xiàn)1萬份標(biāo)注數(shù)據(jù)且標(biāo)注準(zhǔn)確率≥95%，可獲更高模型下載權(quán)限或技術(shù)支持。02-區(qū)塊鏈存證確權(quán)：將數(shù)據(jù)貢獻(xiàn)記錄（如數(shù)據(jù)量、標(biāo)注時(shí)間、質(zhì)量評分）上鏈，形成不可篡改的“貢獻(xiàn)憑證”，作為后續(xù)利益分配的依據(jù)。03-差異化服務(wù)：對高貢獻(xiàn)機(jī)構(gòu)提供“模型定制化服務(wù)”（如針對其?？铺厣{(diào)整模型結(jié)構(gòu)）、“技術(shù)優(yōu)先支持”等激勵(lì)。0404ONE挑戰(zhàn)與應(yīng)對：醫(yī)療聯(lián)邦學(xué)習(xí)沙盒的現(xiàn)實(shí)困境

1數(shù)據(jù)異構(gòu)性：模型性能的“隱形殺手”醫(yī)療數(shù)據(jù)的異構(gòu)性體現(xiàn)在三個(gè)維度：-特征異構(gòu)：不同醫(yī)院的檢查設(shè)備（如CT、MRI）參數(shù)不同，導(dǎo)致數(shù)據(jù)特征分布差異；-標(biāo)簽異構(gòu)：不同醫(yī)師對同一病例的診斷標(biāo)準(zhǔn)可能存在分歧（如“輕度”與“中度”的界定）；-分布異構(gòu)：不同地區(qū)患者的疾病譜差異（如北方地區(qū)高血壓患病率高于南方）。應(yīng)對策略：-對抗域適應(yīng)（AdversarialDomainAdaptation）：在聯(lián)邦學(xué)習(xí)中引入域判別器，使全局模型學(xué)習(xí)“域不變特征”（如病灶的紋理特征，而非設(shè)備噪聲特征）；

1數(shù)據(jù)異構(gòu)性：模型性能的“隱形殺手”-分層聯(lián)邦學(xué)習(xí)：將模型分為“全局共享層”（學(xué)習(xí)通用特征）和“本地個(gè)性化層”（學(xué)習(xí)域特征），參與方僅共享全局層參數(shù)，本地層保留在沙盒內(nèi)。

2通信效率：聯(lián)邦學(xué)習(xí)的“性能瓶頸”醫(yī)療模型參數(shù)量大（如3D醫(yī)學(xué)影像模型參數(shù)可達(dá)千萬級），頻繁傳輸會(huì)導(dǎo)致通信開銷過大，尤其對基層醫(yī)療機(jī)構(gòu)（帶寬有限）而言。應(yīng)對策略：-模型壓縮：采用量化（Quantization，將32位浮點(diǎn)數(shù)轉(zhuǎn)為8位整數(shù)）、剪枝（Pruning，移除冗余神經(jīng)元）等技術(shù)減小模型體積；-異步聯(lián)邦學(xué)習(xí)：參與方無需等待所有客戶端完成訓(xùn)練即可上傳參數(shù)，減少等待時(shí)間（在某聯(lián)邦學(xué)習(xí)項(xiàng)目中，異步訓(xùn)練使通信效率提升40%）。

3安全與效率的“兩難抉擇”差分隱私通過添加噪聲保護(hù)隱私，但噪聲強(qiáng)度過大會(huì)破壞模型性能；聯(lián)邦加密雖保障傳輸安全，但增加計(jì)算開銷（如同態(tài)加密使訓(xùn)練速度降低50%-70%）。應(yīng)對策略：-自適應(yīng)噪聲調(diào)整：根據(jù)數(shù)據(jù)敏感度動(dòng)態(tài)調(diào)整差分隱私噪聲強(qiáng)度（如罕見病數(shù)據(jù)噪聲強(qiáng)度更高，常見病數(shù)據(jù)噪聲強(qiáng)度更低）；-輕量級加密算法：采用效率更高的同態(tài)加密方案（如CKKS算法），平衡安全與性能。

4監(jiān)管動(dòng)態(tài)性：合規(guī)要求的“移動(dòng)靶”各國醫(yī)療數(shù)據(jù)法規(guī)持續(xù)更新（如我國《醫(yī)療健康數(shù)據(jù)安全管理規(guī)范》2023年新增“數(shù)據(jù)出境評估”條款），聯(lián)邦學(xué)習(xí)沙盒需快速適配新規(guī)。應(yīng)對策略：-模塊化合規(guī)設(shè)計(jì)：將合規(guī)規(guī)則封裝為獨(dú)立模塊，當(dāng)法規(guī)更新時(shí)僅需替換對應(yīng)模塊（如新增數(shù)據(jù)出境評估模塊，嵌入沙盒的權(quán)限控制層）；-監(jiān)管機(jī)構(gòu)沙盒接入：邀請監(jiān)管機(jī)構(gòu)作為“觀察員”接入沙盒，實(shí)時(shí)監(jiān)控合規(guī)情況，提前預(yù)判政策風(fēng)險(xiǎn)。05ONE實(shí)踐案例：聯(lián)邦學(xué)習(xí)沙盒在肺結(jié)節(jié)檢測中的應(yīng)用

1項(xiàng)目背景某省肺癌早篩聯(lián)盟由1家省級醫(yī)院（牽頭單位）、5家地市級醫(yī)院、10家基層醫(yī)院組成，目標(biāo)聯(lián)合訓(xùn)練肺結(jié)節(jié)CT檢測模型。地市級醫(yī)院擁有1萬份高質(zhì)量標(biāo)注數(shù)據(jù)，基層醫(yī)院擁有5萬份無標(biāo)注/弱標(biāo)注數(shù)據(jù)，但數(shù)據(jù)分布差異顯著（省級醫(yī)院以磨玻璃結(jié)節(jié)為主，基層醫(yī)院以實(shí)性結(jié)節(jié)為主）。

2沙盒構(gòu)建與聯(lián)邦學(xué)習(xí)實(shí)施1.沙盒架構(gòu)：采用“聯(lián)邦服務(wù)器+本地沙盒”架構(gòu)，聯(lián)邦服務(wù)器部署在省級醫(yī)院（具備三級等保資質(zhì)），本地沙盒集成數(shù)據(jù)脫敏工具（DICOM匿名化）、差分隱私模塊（ε=0.3）、區(qū)塊鏈審計(jì)系統(tǒng)。2.數(shù)據(jù)預(yù)處理：通過DICOM工具去除患者身份信息，保留結(jié)節(jié)位置、大小、密度等特征；對基層醫(yī)院弱標(biāo)注數(shù)據(jù)，采用“半監(jiān)督學(xué)習(xí)+醫(yī)師復(fù)核”提升標(biāo)注質(zhì)量。3.聯(lián)邦學(xué)習(xí)流程：-初始化：聯(lián)邦服務(wù)器隨機(jī)初始化ResNet50模型；-本地訓(xùn)練：參與方在本地沙盒訓(xùn)練模型，計(jì)算梯度并添加差分噪聲；-參數(shù)聚合：聯(lián)邦服務(wù)器通過FedAvg算法聚合梯度，更新全局模型；-模型共享：將全局模型分發(fā)給參與方，基層醫(yī)院可下載輕量化模型（通過模型壓縮體積減少60%）。

2沙盒構(gòu)建與聯(lián)邦學(xué)習(xí)實(shí)施4.安全審計(jì)：區(qū)塊鏈記錄每次參數(shù)上傳/下載時(shí)間、參與方ID、梯度哈希值，監(jiān)管機(jī)構(gòu)可通過審計(jì)節(jié)點(diǎn)實(shí)時(shí)查看。

3成果與啟示-模型性能：經(jīng)過10輪聯(lián)邦學(xué)習(xí)，模型在省級醫(yī)院的檢測精度（mAP）達(dá)0.92，基層醫(yī)院達(dá)0.85，較單機(jī)構(gòu)