مرور سیستماتیک یادگیری فدرال برای هوش مصنوعی حفظ کننده حریم خصوصی در سلامت چالش ها، معماری ها و مقیاس پذیری

پیشرفت هوش مصنوعی در سلامت با چالش اساسی حفاظت از حریم خصوصی داده های بیماران و محدودیت های قانونی مانند GDPR و HIPAA مواجه است. یادگیری فدرال (FL) به عنوان یک پارادایم نوظهور، آموزش مدل های مشارکتی را بدون اشتراک گذاری داده های خام ممکن می سازد. این مقاله مرور سیستماتیک با پیروی از رهنمود ۲۰۲۰ PRISMA، به تحلیل پژوهش های FL برای هوش مصنوعی حفظ کننده حریم خصوصی در سلامت با تاکید ویژه بر ابعاد مقیاس پذیری می پردازد. جستجو در پنج پایگاه داده (IEEE Xplore، Web of Science، Scopus، PubMed و Google Scholar) منجر به شناسایی ۲۵۰ مقاله و در نهایت انتخاب ۹۷ مطالعه مرتبط شد. یافته ها در چهار محور دسته بندی شده اند: (الف) معماری های مقیاس پذیر سلسله مراتبی کارآمد از نظر ارتباطات و مبتنی بر بلاکچین (ب) مکانیزم های حریم خصوصی (TEE، SMC، HE، DP و ZKP) (پ) کاربردهای سلامت (تصاویر پزشکی، EHR و IoMT)، و (ت) چالش های عمده ناهمگونی داده و سیستم، حملات، امنیتی، سربار ارتباطی و موانع استقرار بالینی. نتایج نشان می دهد که شکاف قابل توجهی بین نوآوری های الگوریتمی و استقرار عملی در محیط های بالینی واقعی وجود دارد. مقاله با ارائه توصیه های سیاستی برای استانداردسازی، ارزیابی، سرمایه گذاری زیرساختی و هماهنگی مقرراتی به پایان می رسد.

کلیدواژه ها:

یادگیری فدرال ، حفظ حریم خصوصی ، سیستم های سلامت ، مقیاس پذیری ، مرور سیستماتیک