基于边缘计算与联邦学习的智能诊疗系统、模型及方法

本发明属于医学人工智能领域，具体涉及一种基于边缘计算与联邦学习的智能诊疗系统、模型及方法。

背景技术：

1、泛血管疾病是一组血管系统疾病，以动脉粥样硬化为共同病理特征，危害心、脑、肾、四肢等重要器官。广义的泛血管疾病还包括小血管、微血管、静脉以及肿瘤、糖尿病和免疫性血管疾病。泛血管疾病是导致全球死亡和残疾的主要原因之一，给人类健康和社会经济带来巨大的负担。

2、为了有效地预防和治疗泛血管疾病，需要建立一个泛血管智能诊疗系统，利用大数据、人工智能等技术，对患者的检测数据进行分析和挖掘，给出准确的风险评估和预后预测，并提供个性化的治疗建议。然而，目前存在以下技术难题：

3、1.泛血管智能诊疗系统需要处理海量的数据，如血压、血脂、血糖、心电图等，这些数据分布在不同的医院和地区，难以集中管理和分析。

4、2.泛血管智能诊疗系统需要保护数据的安全和隐私，避免数据泄露或被恶意篡改。

5、3.泛血管智能诊疗系统需要提供快速和智能的诊断服务，减少患者的等待时间和医生的工作负担。

6、4.泛血管智能诊疗系统需要优化和更新智能诊疗模型，提高模型的性能和泛化能力。

技术实现思路

1、本发明所要解决的技术问题是：提供一种，解决了现有技术中智能诊疗系统实际落地难、基层数据/算力资源不足的问题。

2、本发明为解决上述技术问题采用以下技术方案：

3、一种泛血管智能诊疗模型，包括输入层、隐藏层和输出层；输入层接收患者的检测数据；隐藏层包括多个卷积层、池化层、全连接层和激活函数，用于提取检测数据的特征和规律；输出层根据隐藏层的输出，给出患者的泛血管疾病风险评估和预后预测，并生成相应的治疗建议。

4、所述患者的监测数据包括但不限于血压、血脂、血糖、心电图。

5、基于边缘计算与联邦学习的泛血管智能诊疗系统，包括中心服务器、边缘计算模块和终端设备；其中，

6、中心服务器包含数据库和综合处理系统，用于存储和管理各个边缘计算模块上传的数据和所述泛血管智能诊疗模型参数，以及提供泛血管智能诊疗服务的接口和平台；

7、边缘计算模块设置在各个医院心内科诊室，与中心服务器通过网络连接，用于实现快速和智能的诊断，根据本地数据构建智能诊疗模型，并将数据和构建的智能诊疗模型上传至中心服务器，利用分布式数据集进行协作机器学习，并优化智能诊疗模型；

8、终端设备包括医生和患者使用的智能设备，用于接收和展示泛血管智能诊疗服务的结果和建议。

9、所述智能诊疗模块的构建方法如下：

10、首先，预先获取若干患者泛血管检测数据；

11、其次，边缘计算模块利用泛血管智能诊疗模型训练本地数据；

12、然后，本地数据与训练好后的边缘侧模型上传至云端，整合进入全局模型，进行训练；

13、最后，训练后的全局模型将权重下放给边缘计算模块，更新边缘计算模块的预训练权重，更新本地模型。

14、所述联邦学习的过程包括如下步骤：

15、步骤1、接收每个边缘计算模块发送的智能诊疗模型参数或梯度；

16、步骤2、根据各个边缘计算模块上传的参数或梯度，采用包括但不限于加权平均的聚合算法，得到全局模型的参数或梯度；训练全局模型；

17、步骤3、将全局模型下发至各个边缘计算模块；

18、步骤4、边缘计算模块根据全局模型更新本地的智能诊疗模型；

19、步骤5、重复执行步骤1至步骤4，直至智能诊疗模型达到收敛或停止条件。

20、上传和下发模型参数或梯度时，采用加密或差分隐私对数据进行加密，保护各个边缘计算模块和中心服务器之间的数据安全和隐私。

21、在训练全局模型时，采用同态加密或安全多方计算对数据进行加密，保护各个边缘计算模块和中心服务器之间的计算安全和隐私。

22、在选择参与联邦学习的边缘计算模块时，采用激励机制或信誉机制，鼓励各个边缘计算模块贡献数据和资源，并防止恶意攻击或作弊行为。

23、泛血管智能诊疗服务方法，包括如下步骤：

24、s1.在终端设备登录所述的系统，并输入患者的基本信息和症状；

25、s2.边缘计算模块根据患者的信息和症状，选择合适的泛血管检测项目，并指导终端设备进行检测；

26、s3.边缘计算模块收集并分析检测数据，根据预先训练好的泛血管智能诊疗模型，给出初步的诊断结果和治疗建议，并将结果和建议发送至终端设备；

27、s4.终端设备展示初步的诊断结果和治疗建议，并根据医生或患者的反馈，调整或确认结果和建议；

28、s5.边缘计算模块将最终的结果和建议以及检测数据和反馈信息上传至中心服务器，并请求更新泛血管智能诊疗模型；

29、s6.中心服务器接收并存储边缘计算模块上传的数据和信息，与边缘计算模块共享并协同训练泛血管智能诊疗模型，并将更新后的模型下发至各个边缘计算模块。

30、终端设备通过包括但不限于扫描二维码或者输入账号密码的方式登录系统。

31、与现有技术相比，本发明具有以下有益效果：

32、1、本发明通过边缘计算模块实现快速和智能的诊断，提高了泛血管智能诊疗服务的效率和质量。

33、2、本发明通过联邦学习实现分布式数据集的协作机器学习，优化了泛血管智能诊疗模型的性能和泛化能力。

34、3、本发明通过加密、差分隐私、同态加密、安全多方计算、激励机制等技术，保护了数据和计算的安全和隐私，防止了恶意攻击或作弊行为。

35、4、本发明的中心服务器提供泛血管智能诊疗服务的接口和平台，方便了终端设备的调用和使用。

技术特征：

1.一种泛血管智能诊疗模型，其特征在于：包括输入层、隐藏层和输出层；输入层接收患者的检测数据；隐藏层包括多个卷积层、池化层、全连接层和激活函数，用于提取检测数据的特征和规律；输出层根据隐藏层的输出，给出患者的泛血管疾病风险评估和预后预测，并生成相应的治疗建议。

2.根据权利要求1所述的泛血管智能诊疗模型，其特征在于：所述患者的监测数据包括但不限于血压、血脂、血糖、心电图。

3.基于边缘计算与联邦学习的泛血管智能诊疗系统，其特征在于：包括中心服务器、边缘计算模块和终端设备；其中，

4.根据权利要求3所述的基于边缘计算与联邦学习的泛血管智能诊疗系统，其特征在于：所述智能诊疗模块的构建方法如下：

5.根据权利要求4所述的基于边缘计算与联邦学习的泛血管智能诊疗系统，其特征在于：所述联邦学习的过程包括如下步骤：

6.根据权利要求5所述的基于边缘计算与联邦学习的泛血管智能诊疗系统，其特征在于：上传和下发模型参数或梯度时，采用加密或差分隐私对数据进行加密，保护各个边缘计算模块和中心服务器之间的数据安全和隐私。

7.根据权利要求5所述的基于边缘计算与联邦学习的泛血管智能诊疗系统，其特征在于：在训练全局模型时，采用同态加密或安全多方计算对数据进行加密，保护各个边缘计算模块和中心服务器之间的计算安全和隐私。

8.根据权利要求5所述的基于边缘计算与联邦学习的泛血管智能诊疗系统，其特征在于：在选择参与联邦学习的边缘计算模块时，采用激励机制或信誉机制，鼓励各个边缘计算模块贡献数据和资源，并防止恶意攻击或作弊行为。

9.泛血管智能诊疗服务方法，其特征在于：包括如下步骤：

10.根据权利要求9所述的泛血管智能诊疗服务方法，其特征在于：终端设备通过包括但不限于扫描二维码或者输入账号密码的方式登录系统。

技术总结
本发明公开了本发明涉及一种基于边缘计算与联邦学习的泛血管智能诊疗系统。包括中心服务器、边缘计算模块和终端设备，中心服务器包含数据库和综合处理系统，用于存储和管理各个边缘计算模块上传的血压、血脂、血糖、心电图等数据和模型参数，以及提供泛血管智能诊疗服务的接口和平台；边缘计算模块设置在各个医院心内科诊室，与中心服务器通过网络连接，用于实现快速和智能的诊断，并将数据和模型上载至中心服务器，利用分布式数据集进行协作机器学习，进而优化智能诊疗模型。提高了泛血管智能诊疗服务的效率和质量；优化了泛血管智能诊疗模型的性能和泛化能力。

技术研发人员：齐鹏,姚天亮,李伊然
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2024/3/4