[发明专利]数据的训练方法及装置、系统

说明书

本发明提供了一种数据的训练方法及装置、系统，该方法包括：向多个客户端发送初始训练模型，其中，所述多个客户端均与服务器单独通信；接收所述多个客户端发送的多套第一模型参数，其中，所述第一模型参数是所述客户端根据本地数据库的第一医疗数据对所述初始训练模型进行训练得到的；对所述多套第一模型参数进行加权平均，得到第二模型参数；将所述第二模型参数发送至所述多个客户端，其中，所述第二模型参数用于分别在所述多个客户端构建相同的第二训练模型。通过本发明，解决了相关技术中处理医疗数据的算法模型较为复杂，无法处理安全性较高、不便于流动的大规模医疗数据等技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种数据的训练方法及装置、系统。

背景技术

相关技术中，医疗影像辅助识别是人工智能图像识别技术在医疗领域的一项较为成熟的应用，国内外有多家机构以此技术为核心，建立起标准化的区域医疗影像数据中心云平台服务，集成辅助诊断、数据集中储存管理、区域重大疾病分析，和区域人群健康画像等功能。目前广为使用的区域云平台，顾名思义，只是区域卫生信息共享系统，本质上这是一个以诊所、医院为单位或者几家医院为单位的私有云。

因医疗健康数据的隐私性，无法产生规模化效应，数据孤岛的问题仍然存在，医疗健康模型的训练仍然受有限数据的牵制，一些医疗机构需要花费较高的费用购买第三方机构已经训练好的模型，行业整体信息共享程度低，经济效率不高，医疗大健康生态难以在此基础上进一步发展。

传统的数据结构和机器学习是将数据整合后，基于集成后的数据集进行训练。这类方法要求数据在分布式数据集和中心服务器端进行传输，中心服务器由于整合了海量数据，训练模型所需要的算力要求高，计算成本也相应的高，并且响应时间比较长。同时，一些对于安全性比较高、不便于进行流动的数据，如医疗健康数据，就无法大规模使用此方法进行模型训练。

针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。

发明内容

本发明实施例提供了一种数据的训练方法及装置、系统，以至少解决相关技术中处理医疗数据的算法模型较为复杂，无法处理安全性较高、不便于流动的大规模医疗数据等技术问题。

根据本发明的一个实施例，提供了一种数据的训练方法，包括：向多个客户端发送初始训练模型，其中，所述多个客户端均与服务器单独通信；接收所述多个客户端发送的多套第一模型参数，其中，所述第一模型参数是所述客户端根据本地数据库的第一医疗数据对所述初始训练模型进行训练得到的；对所述多套第一模型参数进行加权平均，得到第二模型参数；将所述第二模型参数发送至所述多个客户端，其中，所述第二模型参数用于分别在所述多个客户端构建相同的第二训练模型。

可选的，在对所述多套第一模型参数进行加权平均，得到第二模型参数之前，所述方法还包括：根据预先设置的私钥对所述第一模型参数进行解密，其中，所述私钥与对应所述多个客户端的公钥形成一组密钥对，所述公钥用于对所述第一模型参数进行加密。

可选的，对所述多套第一模型参数进行加权平均，得到第二模型参数，包括：在M套第一模型参数中选择次第一模型参数，其中，每次选择N套第一模型参数，对每次选择的N套所述第一模型参数进行加权平均，得到一个一级模型参数，其中，N为小于M的整数；对个所述一级模型参数进行加权平均，得到所述第二模型参数。

根据本发明的另一个实施例，提供了一种数据的训练方法，包括：接收服务器发送的初始训练模型；根据本地数据库的第一医疗数据对所述初始训练模型进行训练，得到第一训练模型；将所述第一训练模型的第一模型参数发送至所述服务器，其中，所述服务器用于对多个客户端的多套第一模型参数进行加权平均，得到第二训练模型的第二模型参数，并将所述第二模型参数反馈至所述多个客户端；根据所述第二模型参数构建第二训练模型，并使用所述第二训练模型训练所述本地数据库的第二医疗数据。