این یک پست وبلاگ مهمان است که توسط نیتین کومار، دانشمند ارشد داده در T and T Consulting Services, Inc. نوشته شده است.

در این پست، ارزش و تأثیر بالقوه یادگیری فدرال در حوزه مراقبت های بهداشتی را مورد بحث قرار می دهیم. این رویکرد می‌تواند به بیماران سکته قلبی، پزشکان و محققان با تشخیص سریع‌تر، تصمیم‌گیری غنی‌تر، و کار تحقیقاتی جامع‌تر و آگاهانه‌تر در مورد مسائل بهداشتی مرتبط با سکته مغزی، با استفاده از یک رویکرد بومی ابری با خدمات AWS برای بلند کردن وزن سبک و پذیرش ساده‌تر کمک کند. .

تشخیص چالش های سکته قلبی

آمار از مراکز کنترل و پیشگیری از بیماری ها (CDC) نشان می دهد که هر سال در ایالات متحده، بیش از 795,000 نفر از اولین سکته مغزی خود رنج می برند و حدود 25٪ از آنها حملات مکرر را تجربه می کنند. این عامل شماره پنج مرگ و میر با توجه به انجمن استروک آمریکایی و علت اصلی ناتوانی در ایالات متحده است. بنابراین، تشخیص و درمان سریع برای کاهش آسیب مغزی و سایر عوارض در بیماران سکته مغزی حاد بسیار مهم است.

CT و MRI استاندارد طلایی در فناوری های تصویربرداری برای طبقه بندی انواع مختلف سکته مغزی هستند و در ارزیابی اولیه بیماران، تعیین علت اصلی و درمان بسیار مهم هستند. یکی از چالش های مهم در اینجا، به ویژه در مورد سکته مغزی حاد، زمان تشخیص تصویربرداری است که به طور متوسط ​​از 30 دقیقه تا یک ساعت و بسته به ازدحام بخش اورژانس می تواند بسیار طولانی تر باشد.

پزشکان و کادر پزشکی برای ارزیابی وضعیت بیمار و پیشنهاد گزینه های درمانی به تشخیص سریع و دقیق تصویر نیاز دارند. به قول خود دکتر ورنر فوگلز در AWS re:Invent 2023، "هر ثانیه ای که یک فرد دچار سکته مغزی می شود مهم است." قربانیان سکته مغزی در هر ثانیه که تحت درمان قرار نمی گیرند، حدود 1.9 میلیارد نورون را از دست می دهند.

محدودیت داده های پزشکی

شما می توانید از یادگیری ماشینی (ML) برای کمک به پزشکان و محققان در کارهای تشخیصی استفاده کنید و در نتیجه روند را تسریع کنید. با این حال، مجموعه داده های مورد نیاز برای ساخت مدل های ML و ارائه نتایج قابل اعتماد در سیلوها در سیستم ها و سازمان های مختلف مراقبت های بهداشتی قرار دارند. این داده‌های قدیمی جدا شده، در صورت انباشته شدن، پتانسیل تأثیرگذاری عظیم را دارند. پس چرا هنوز استفاده نشده؟

چالش‌های متعددی هنگام کار با مجموعه داده‌های حوزه پزشکی و ایجاد راه‌حل‌های ML وجود دارد، از جمله حریم خصوصی بیمار، امنیت داده‌های شخصی، و محدودیت‌های بوروکراتیک و سیاست‌گذاری خاص. علاوه بر این، موسسات تحقیقاتی شیوه های به اشتراک گذاری داده های خود را سخت تر کرده اند. این موانع همچنین از همکاری تیم‌های تحقیقاتی بین‌المللی بر روی مجموعه داده‌های متنوع و غنی جلوگیری می‌کند، که می‌تواند جان انسان‌ها را نجات دهد و از ناتوانی‌های ناشی از سکته قلبی، از جمله مزایای دیگر، جلوگیری کند.

سیاست ها و مقررات مانند مقررات حفاظت از اطلاعات عمومی (GDPR) قانون قابلیت انتقال و مسئولیت بیمه سلامت (HIPPA)، و قانون حفظ حریم خصوصی مصرف کننده کالیفرنیا (CCPA) برای به اشتراک گذاری داده ها از حوزه پزشکی، به ویژه داده های بیمار، حفاظ هایی قرار داده است. علاوه بر این، مجموعه داده‌ها در مؤسسه‌ها، سازمان‌ها و بیمارستان‌ها اغلب بسیار کوچک هستند، نامتعادل هستند، یا دارای توزیع مغرضانه هستند که منجر به محدودیت‌های تعمیم مدل می‌شود.

یادگیری فدرال: مقدمه

یادگیری فدرال (FL) یک شکل غیرمتمرکز از ML است - یک رویکرد مهندسی پویا. در این رویکرد غیرمتمرکز ML، مدل ML بین سازمان‌ها برای آموزش در مورد زیرمجموعه‌های داده اختصاصی به اشتراک گذاشته می‌شود، بر خلاف آموزش سنتی متمرکز ML، که در آن مدل به طور کلی بر روی مجموعه داده‌های انبوه آموزش می‌دهد. داده ها در پشت فایروال های سازمان یا VPC محافظت می شوند، در حالی که مدل با ابرداده های آن به اشتراک گذاشته می شود.

در مرحله آموزش، یک مدل FL جهانی برای آموزش در مجموعه داده‌های فردی بین سازمان‌های واحد پخش و هماهنگ می‌شود و یک مدل آموزش‌دیده محلی برگردانده می‌شود. مدل جهانی نهایی برای پیش‌بینی برای همه شرکت‌کنندگان در دسترس است و همچنین می‌تواند به عنوان پایه‌ای برای آموزش بیشتر برای ساخت مدل‌های سفارشی محلی برای سازمان‌های شرکت‌کننده استفاده شود. می توان آن را به نفع سایر مؤسسات نیز گسترش داد. این رویکرد می‌تواند الزامات امنیت سایبری برای داده‌های در حال انتقال را با حذف نیاز به انتقال داده‌ها به خارج از مرزهای سازمان به طور قابل توجهی کاهش دهد.

نمودار زیر نمونه ای از معماری را نشان می دهد.

در بخش‌های بعدی، چگونگی کمک به یادگیری فدرال را مورد بحث قرار می‌دهیم.

فدراسیون یاد می گیرد که روز را نجات دهد (و نجات زندگی ها)

برای هوش مصنوعی خوب (AI)، به داده های خوبی نیاز دارید.

سیستم‌های قدیمی، که اغلب در حوزه فدرال یافت می‌شوند، قبل از اینکه بتوانید اطلاعاتی را استخراج کنید یا آنها را با مجموعه داده‌های جدیدتر ادغام کنید، چالش‌های مهمی در پردازش داده‌ها ایجاد می‌کنند. این مانعی در ارائه اطلاعات ارزشمند به رهبران است. این می‌تواند منجر به تصمیم‌گیری نادرست شود، زیرا نسبت داده‌های قدیمی در مقایسه با مجموعه داده‌های کوچک جدیدتر، گاهی بسیار ارزشمندتر است. شما می خواهید این تنگنا را به طور موثر و بدون حجم کاری تلاش های ادغام و ادغام دستی (از جمله فرآیندهای نقشه برداری دست و پا گیر) برای مجموعه داده های قدیمی و جدیدتر که در بیمارستان ها و مؤسسات مستقر هستند، حل کنید، که در بسیاری از موارد ممکن است چندین ماه - اگر نه سال ها طول بکشد. داده‌های قدیمی کاملاً ارزشمند هستند، زیرا اطلاعات زمینه‌ای مهمی را که برای تصمیم‌گیری دقیق و آموزش مدل‌های کاملاً آگاهانه لازم است، در خود نگه می‌دارند که منجر به هوش مصنوعی قابل اعتماد در دنیای واقعی می‌شود. مدت زمان داده ها از تغییرات و الگوهای بلندمدت در مجموعه داده خبر می دهد که در غیر این صورت شناسایی نشده و منجر به پیش بینی های مغرضانه و ناآگاه می شود.

شکستن این سیلوهای داده برای متحد کردن پتانسیل دست نخورده داده های پراکنده می تواند زندگی بسیاری را نجات دهد و تغییر دهد. همچنین می تواند تحقیقات مربوط به مسائل سلامت ثانویه ناشی از سکته قلبی را تسریع بخشد. این راه حل می تواند به شما کمک کند تا بینش هایی را از داده های جدا شده بین مؤسسات به دلیل سیاست ها و دلایل دیگر به اشتراک بگذارید، خواه شما یک بیمارستان، یک مؤسسه تحقیقاتی یا سایر سازمان های متمرکز بر داده های بهداشتی باشید. این می تواند تصمیم گیری آگاهانه در جهت و تشخیص تحقیق را امکان پذیر کند. علاوه بر این، از طریق یک پایگاه دانش امن، خصوصی و جهانی منجر به یک مخزن متمرکز اطلاعات می شود.

یادگیری فدرال به طور کلی و به طور خاص برای تنظیمات داده های پزشکی مزایای زیادی دارد.

ویژگی های امنیت و حریم خصوصی:

• داده های حساس را از اینترنت دور نگه می دارد و همچنان از آن برای ML استفاده می کند و هوش آن را با حریم خصوصی متفاوت به کار می گیرد.
• به شما امکان می دهد بدون هیچ گونه خطر امنیتی داده، مدل های بی طرفانه و قوی را نه تنها در ماشین ها بلکه در شبکه ها بسازید، آموزش دهید، و به کار ببرید.
• با چندین فروشنده که داده ها را مدیریت می کنند، بر موانع غلبه می کند
• نیاز به اشتراک گذاری داده های بین سایتی و حاکمیت جهانی را از بین می برد
• حریم خصوصی را با حریم خصوصی متفاوت حفظ می کند و محاسبات چند جانبه ایمن را با آموزش محلی ارائه می دهد

بهبود عملکرد:

• به مشکل اندازه نمونه کوچک در فضای تصویربرداری پزشکی و فرآیندهای برچسب‌گذاری پرهزینه می‌پردازد
• توزیع داده ها را متعادل می کند
• شما را قادر می‌سازد تا از اکثر روش‌های سنتی ML و یادگیری عمیق (DL) استفاده کنید
• از مجموعه تصاویر ترکیبی برای کمک به بهبود قدرت آماری، غلبه بر محدودیت اندازه نمونه موسسات فردی استفاده می کند.

مزایای تاب آوری:

• اگر یکی از طرفین تصمیم به خروج بگیرد، مانعی برای آموزش نخواهد بود
• یک بیمارستان یا موسسه جدید می تواند در هر زمان بپیوندد. به هیچ مجموعه داده خاصی با هیچ سازمان گرهی وابسته نیست
• نیازی به خطوط لوله مهندسی داده گسترده برای داده های قدیمی پراکنده در مکان های جغرافیایی گسترده وجود ندارد.

این ویژگی‌ها می‌توانند دیواره‌های بین مؤسساتی را که میزبان مجموعه داده‌های مجزا در دامنه‌های مشابه هستند، پایین بیاورند. راه حل می تواند با استفاده از قدرت های یکپارچه مجموعه داده های توزیع شده و بهبود کارایی با تغییر اساسی جنبه مقیاس پذیری بدون بالا بردن زیرساخت های سنگین، به یک ضرب کننده نیرو تبدیل شود. این رویکرد به ML کمک می کند تا به پتانسیل کامل خود دست یابد و در سطح بالینی و نه فقط در تحقیقات مهارت پیدا کند.

همانطور که در زیر نشان داده شده است، یادگیری فدرال عملکرد قابل مقایسه با ML معمولی دارد تجربه توسط NVidia Clara (در بایگانی پزشکی مدال (MMAR) با استفاده از مجموعه داده BRATS2018). در اینجا، FL در مقایسه با تمرین با داده‌های متمرکز، عملکرد تقسیم‌بندی قابل مقایسه‌ای را به دست آورد: بیش از 80٪ با تقریباً 600 دوره در حین آموزش یک کار تقسیم‌بندی تومور مغزی چند وجهی و چند کلاسه.

یادگیری فدرال اخیراً در چند زیر زمینه پزشکی برای موارد استفاده از جمله یادگیری تشابه بیمار، یادگیری بازنمایی بیمار، فنوتیپ و مدل سازی پیش بینی آزمایش شده است.

طرح کاربردی: یادگیری فدرال آن را ممکن و ساده می کند

برای شروع کار با FL، می‌توانید از میان مجموعه‌های داده با کیفیت بالا انتخاب کنید. به عنوان مثال، مجموعه داده ها با تصاویر مغز شامل پایبند بودن (ابتکار تبادل داده تصویربرداری مغز اوتیسم)، ADNI (ابتکار تصویربرداری عصبی بیماری آلزایمر)، RSNA (انجمن رادیولوژی آمریکای شمالی) سی تی مغزی، BraTS (معیار تقسیم بندی تصویر تومور مغزی چند وجهی) به طور منظم برای چالش تقسیم بندی تومور مغزی تحت UPenn (دانشگاه پنسیلوانیا)، BioBank انگلستان (که در NIH زیر پوشش داده می شود مقاله)، و نهم. به طور مشابه برای تصاویر قلب، می توانید از چندین گزینه در دسترس عموم، از جمله ACDC (چالش تشخیص خودکار قلبی)، که مجموعه داده ارزیابی MRI قلبی با حاشیه نویسی کامل است که توسط کتابخانه ملی پزشکی در زیر ذکر شده است، انتخاب کنید. مقالهو چالش تقسیم بندی قلبی M&M (چند مرکزی، چند فروشنده و چند بیماری) که در ادامه آمده است IEEE مقاله.

تصاویر زیر الف را نشان می دهد نقشه همپوشانی ضایعه احتمالی برای ضایعات اولیه از مجموعه داده ATLAS R1.1. سکته مغزی یکی از شایع ترین علل ضایعات مغزی است کلیولند کلینیک.)

برای داده‌های پرونده الکترونیک سلامت (EHR)، مجموعه‌ای از داده‌ها در دسترس هستند که به دنبال آن هستند منابع قابلیت همکاری سریع مراقبت های بهداشتی استاندارد (FHIR). این استاندارد به شما کمک می‌کند تا با حذف چالش‌های خاص با مجموعه داده‌های ناهمگن و غیرعادی‌شده، پایلوت‌های ساده بسازید، و امکان تبادل، به اشتراک‌گذاری و یکپارچه‌سازی مجموعه‌های داده بی‌وقفه و امن را فراهم می‌کند. FHIR حداکثر قابلیت همکاری را ممکن می کند. نمونه های مجموعه داده شامل MIMIC-IV (Medical Information Mart for Intensive Care). سایر مجموعه داده‌های با کیفیت خوب که در حال حاضر FHIR نیستند اما به راحتی قابل تبدیل هستند عبارتند از مراکز خدمات پزشکی و پزشکی (CMS) فایل های استفاده عمومی (PUF) و پایگاه داده تحقیقات مشارکتی eICU از MIT (موسسه فناوری ماساچوست). همچنین منابع دیگری در دسترس هستند که مجموعه داده های مبتنی بر FHIR را ارائه می دهند.

چرخه عمر پیاده سازی FL می تواند شامل موارد زیر باشد مراحل: مقداردهی اولیه کار، انتخاب، پیکربندی، آموزش مدل، ارتباط مشتری/سرور، زمان بندی و بهینه سازی، نسخه سازی، آزمایش، استقرار و خاتمه. مراحل بسیار زیادی برای تهیه داده های تصویربرداری پزشکی برای ML سنتی وجود دارد که در ادامه توضیح داده شده است مقاله. دانش دامنه ممکن است در برخی سناریوها برای پیش پردازش داده های خام بیمار مورد نیاز باشد، به ویژه به دلیل ماهیت حساس و خصوصی آن. اینها را می توان برای FL ادغام کرد و گاهی اوقات حذف کرد و در زمان حیاتی برای تمرین صرفه جویی می کند و نتایج سریع تری ارائه می دهد.

پیاده سازی

ابزارها و کتابخانه‌های FL با پشتیبانی گسترده رشد کرده‌اند و استفاده از FL بدون بالابرهای سنگین را آسان کرده‌اند. بسیاری از منابع خوب و گزینه های چارچوب برای شروع در دسترس هستند. می توانید به ادامه مطلب مراجعه نمایید لیست گسترده ای از محبوب ترین فریم ورک ها و ابزارها در حوزه FL، از جمله PySyft, FedML, گل, OpenFL, سرنوشت, TensorFlow فدرالو NVFlare. لیستی از پروژه های مبتدی را برای شروع سریع و ساخت بر اساس ارائه می دهد.

شما می توانید یک رویکرد بومی ابری را با آمازون SageMaker که یکپارچه با آن کار می کند همتاسازی AWS VPC، آموزش هر گره را در یک زیرشبکه خصوصی در VPC مربوطه نگه می دارد و امکان برقراری ارتباط از طریق آدرس های IPv4 خصوصی را فراهم می کند. علاوه بر این، مدل میزبانی در Amazon SageMaker JumpStart می تواند با افشای API نقطه پایانی بدون به اشتراک گذاری وزن مدل کمک کند.

همچنین چالش‌های محاسباتی سطح بالا را با سخت‌افزار داخلی از بین می‌برد ابر محاسبه الاستیک آمازون منابع (Amazon EC2). شما می توانید کلاینت و سرورهای FL را روی AWS پیاده سازی کنید نوت بوک SageMaker و سرویس ذخیره سازی ساده آمازون (Amazon S3)، دسترسی منظم به داده ها و مدل را با آن حفظ کنید هویت AWS و مدیریت دسترسی (IAM) نقش ها و استفاده سرویس رمز امنیتی AWS (AWS STS) برای امنیت سمت مشتری. شما همچنین می توانید سیستم سفارشی خود را برای FL با استفاده از Amazon EC2 بسازید.

برای یک مرور کلی از پیاده سازی FL با گل چارچوب در SageMaker، و بحث در مورد تفاوت آن با آموزش توزیع شده، مراجعه کنید یادگیری ماشینی با داده های آموزشی غیرمتمرکز با استفاده از یادگیری فدرال در Amazon SageMaker.

شکل های زیر معماری یادگیری انتقالی در FL را نشان می دهد.

پرداختن به چالش های داده FL

یادگیری فدرال با چالش های داده های خاص خود از جمله حریم خصوصی و امنیت همراه است، اما رسیدگی به آنها ساده است. ابتدا، شما باید مشکل ناهمگونی داده ها را با داده های تصویربرداری پزشکی که از داده های ذخیره شده در سایت های مختلف و سازمان های شرکت کننده، به نام تغییر دامنه مشکل (همچنین به عنوان شیفت مشتری در یک سیستم FL)، همانطور که توسط Guan و Liu در زیر مشخص شده است مقاله. این می تواند منجر به تفاوت در همگرایی مدل جهانی شود.

مؤلفه های دیگری که باید در نظر گرفته شوند عبارتند از: اطمینان از کیفیت و یکنواختی داده ها در منبع، ترکیب دانش متخصص در فرآیند یادگیری برای ایجاد اعتماد به سیستم در بین متخصصان پزشکی و دستیابی به دقت مدل. برای کسب اطلاعات بیشتر در مورد برخی از چالش های احتمالی که ممکن است در حین اجرا با آن مواجه شوید، به موارد زیر مراجعه کنید مقاله.

AWS به شما کمک می کند این چالش ها را با ویژگی هایی مانند محاسبات انعطاف پذیر Amazon EC2 و از پیش ساخته شده حل کنید. تصاویر داکر در SageMaker برای استقرار ساده. شما می توانید مشکلات سمت مشتری مانند داده های نامتعادل و منابع محاسباتی را برای هر سازمان گره حل کنید. می‌توانید مشکلات یادگیری سمت سرور مانند حملات مسمومیت از طرف‌های مخرب را برطرف کنید ابر خصوصی مجازی آمازون (Amazon VPC)، گروه های امنیتیو سایر استانداردهای امنیتی، جلوگیری از فساد مشتری و اجرای خدمات تشخیص ناهنجاری AWS.

AWS همچنین به حل چالش‌های پیاده‌سازی در دنیای واقعی کمک می‌کند، که می‌تواند شامل چالش‌های یکپارچه‌سازی، مشکلات سازگاری با سیستم‌های بیمارستانی فعلی یا قدیمی، و موانع پذیرش کاربر، با ارائه راه‌حل‌های فن‌آوری انعطاف‌پذیر، با استفاده آسان و بدون دردسر باشد.

با خدمات AWS، می‌توانید تحقیقات و پیاده‌سازی و استقرار بالینی مبتنی بر FL را در مقیاس بزرگ فعال کنید، که می‌تواند از سایت‌های مختلف در سراسر جهان تشکیل شود.

سیاست های اخیر در مورد قابلیت همکاری، نیاز به یادگیری فدرال را برجسته می کند

بسیاری از قوانینی که اخیراً توسط دولت تصویب شده است، تمرکز بر قابلیت همکاری داده‌ها را شامل می‌شود که نیاز به تعامل بین سازمانی داده‌ها را برای اطلاعات تقویت می‌کند. این را می توان با استفاده از FL، از جمله چارچوب هایی مانند TEFCA (Trusted Exchange Framework و Common Agreement) و گسترش یافته است USCDI (داده های اصلی ایالات متحده برای قابلیت همکاری).

ایده پیشنهادی همچنین به ابتکار ضبط و توزیع CDC کمک می کند CDC در حال حرکت به جلو. نقل قول زیر از مقاله GovCIO به اشتراک گذاری داده و هوش مصنوعی اولویت های آژانس بهداشت فدرال فدرال در سال 2024 همچنین موضوع مشابهی را تکرار می‌کند: «این قابلیت‌ها همچنین می‌توانند به شیوه‌ای عادلانه از مردم حمایت کنند و با بیماران در جایی که هستند ملاقات کنند و دسترسی حیاتی به این خدمات را باز کنند. بیشتر این کار به داده‌ها برمی‌گردد.»

این می تواند به موسسات و آژانس های پزشکی در سراسر کشور (و در سراسر جهان) با سیلوهای داده کمک کند. آنها می توانند از یکپارچه سازی یکپارچه و ایمن و قابلیت همکاری داده ها بهره مند شوند و داده های پزشکی را برای پیش بینی های تأثیرگذار مبتنی بر ML و تشخیص الگو قابل استفاده می کنند. می توانید با تصاویر شروع کنید، اما این رویکرد برای همه EHR نیز قابل اجرا است. هدف یافتن بهترین رویکرد برای ذینفعان داده، با خط لوله بومی ابری برای عادی سازی و استانداردسازی داده ها یا استفاده مستقیم از آن برای FL است.

بیایید یک مثال استفاده را بررسی کنیم. داده‌ها و اسکن‌های تصویربرداری سکته قلبی در سراسر کشور و جهان پراکنده هستند، در سیلوهای مجزا در موسسات، دانشگاه‌ها و بیمارستان‌ها قرار دارند و با مرزهای بوروکراتیک، جغرافیایی و سیاسی از هم جدا شده‌اند. هیچ منبع انبوه واحدی و هیچ راه آسانی برای متخصصان پزشکی (غیر برنامه نویسان) وجود ندارد تا بتوانند از آن بینش استخراج کنند. در عین حال، آموزش مدل‌های ML و DL بر روی این داده‌ها امکان‌پذیر نیست، که می‌تواند به متخصصان پزشکی کمک کند تا در مواقع حساسی که اسکن قلب ساعت‌ها طول می‌کشد، تصمیم‌های سریع‌تر و دقیق‌تری بگیرند، در حالی که زندگی بیمار ممکن است معلق باشد. تعادل

سایر موارد استفاده شناخته شده عبارتند از گلدان ها (خرید سامانه رهگیری آنلاین) در NIH (موسسه ملی بهداشت) و امنیت سایبری برای نیازهای راه حل های اطلاعاتی پراکنده و سطحی در مکان های COMCOMs/MAJCOMs در سراسر جهان.

نتیجه

یادگیری فدرال نوید زیادی برای تجزیه و تحلیل داده های مراقبت های بهداشتی قدیمی و هوشمندی دارد. پیاده سازی یک راه حل بومی ابری با خدمات AWS ساده است و FL به ویژه برای سازمان های پزشکی با داده های قدیمی و چالش های فنی مفید است. FL می‌تواند تأثیر بالقوه‌ای بر کل چرخه درمان داشته باشد، و اکنون حتی بیشتر از آن با تمرکز بر قابلیت همکاری داده‌های سازمان‌های بزرگ فدرال و رهبران دولتی.

این راه حل می تواند به شما کمک کند از اختراع مجدد چرخ جلوگیری کنید و از آخرین فناوری برای جهش از سیستم های قدیمی استفاده کنید و در این دنیای همیشه در حال تکامل هوش مصنوعی پیشرو باشید. همچنین می‌توانید برای بهترین شیوه‌ها و یک رویکرد کارآمد برای تعامل داده‌ها در داخل و بین سازمان‌ها و مؤسسات در حوزه سلامت و فراتر از آن، رهبر شوید. اگر شما یک موسسه یا آژانس با سیلوهای داده پراکنده در سراسر کشور هستید، می توانید از این ادغام یکپارچه و امن بهره مند شوید.

مطالب و نظرات این پست متعلق به نویسنده شخص ثالث است و AWS مسئولیتی در قبال محتوا یا صحت این پست ندارد. این مسئولیت هر یک از مشتریان است که تعیین کنند آیا آنها مشمول HIPAA هستند یا خیر، و اگر چنین است، بهترین روش مطابقت با HIPAA و مقررات اجرایی آن است. قبل از استفاده از AWS در ارتباط با اطلاعات بهداشتی محافظت شده، مشتریان باید یک ضمیمه AWS Business Associate (BAA) وارد کرده و الزامات پیکربندی آن را دنبال کنند.

---

درباره نویسنده

نیتین کومار (MS، CMU) یک دانشمند ارشد داده در شرکت خدمات مشاوره تی و تی است. او تجربه گسترده ای در نمونه سازی تحقیق و توسعه، انفورماتیک سلامت، داده های بخش عمومی و قابلیت همکاری داده ها دارد. او دانش خود را در مورد روش های تحقیقاتی پیشرفته در بخش فدرال برای ارائه مقالات فنی نوآورانه، POC ها و MVP ها به کار می گیرد. او با چندین آژانس فدرال برای پیشبرد اهداف داده ها و هوش مصنوعی آنها کار کرده است. دیگر حوزه های تمرکز نیتین شامل پردازش زبان طبیعی (NLP)، خطوط لوله داده و هوش مصنوعی مولد است.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/