快速可靠地检测患有严重和异质性疾病的患者是精准医学的主要目标。白血病患者可以根据血液转录组使用机器学习来鉴别。然而，由于隐私立法，技术上可行和法律允许之间的分歧越来越大。有鉴于此，德国波恩大学的Joachim L. Schultze等研究人员，开发出用于分散且保密的临床机器学习新方法。

本文要点

1）研究人员为了在不违反隐私法的情况下促进整合来自全球任何数据所有者的任何医疗数据，引入了Swarm Learning——一种分散式机器学习方法，将边缘计算、基于区块链的点对点网络和协调结合起来，同时保持机密性无需中央协调器，从而超越联邦学习。

2）为了说明使用Swarm Learning使用分布式数据开发疾病分类器的可行性，研究人员选择了异类疾病的四个用例（COVID-19、结核病、白血病和肺部病变）。

3）凭借来自127项临床研究的16,400多个血液转录组、病例和对照的分布不均匀以及大量研究偏差，以及 95,000 多张胸部X射线图像，研究人员表明，Swarm Learning分类器的性能优于在单个站点开发的分类器。此外，Swarm Learning在设计上完全符合当地的保密规定。

本文研究的这种方法将显著加速精准医疗的引入。

参考文献：

Stefanie Warnat-Herresthal, et al. Swarm Learning for decentralized and confidential clinical machine learning. Nature, 2021.

DOI：10.1038/s41586-021-03583-3

https://www.nature.com/articles/s41586-021-03583-3