一种面向异质医疗数据的全局联邦学习方法

本发明公开一种面向异质医疗数据的全局联邦学习方法，包括确定参与协作训练的医疗机构，由医疗机构收集医疗训练数据构建医疗训练数据集。在服务器端根据医疗训练数据集确定医疗全局模型的结构。医疗机构接收服务器端下发的医疗训练模型作为本地模型进行训练。医疗机构根据训练完成的本地模型结合医疗全局模型计算模型更新量，并用模型更新量调整本地模型的参数。待所有医疗机构完成本地训练和模型参数调整后，向服务器端上传本地模型参数。本发明提高了联邦学习在医疗数据处理任务中的收敛性和稳定性，使各医疗机构可以利用更小的计算资源和通信资源得到具有更强泛化能力的模型，能够协助医生在疾病诊断、风险评估等多种场景下的分析。