[发明专利]一种基于半监督-迁移学习的分布式隐私保护方法及系统

说明书

本发明公开了一种基于半监督‑迁移学习的分布式隐私保护方法及系统，涉及医疗大数据技术领域，该方法包括：构建分布式模型；以标注好疾病类别的图像数据集为输入对分布式模型中的教师模型进行训练，得到训练好的教师模型；将未标注疾病类别的图像数据集输入至训练好的教师模型得到疾病类别数据集；对多个训练好的教师模型输出的疾病类别数据集进行加密处理确定参考疾病类别数据集；以未标注疾病类别的图像数据集为输入，以参考疾病类别数据集为输出，对分布式模型中的学生模型进行训练得到训练好的学生模型；将待诊断疾病类别的图像数据输入训练好的学生模型得到待诊断疾病的疾病类别。本发明能够增强分布式技术的隐私保护性能。

技术领域

本发明涉及医疗大数据技术领域，特别是涉及一种基于半监督-迁移学习的分布式隐私保护方法及系统。

背景技术

医疗资源分布不均与跨地域就诊难，一直是医疗行业发展的痛点。不同地区、不同等级的医院医疗资源无法实现均质化，大医院人满为患、基层医疗卫生机构门可罗雀。在医疗大数据时代，可以通过基层医疗卫生机构将医疗设备的检测图像传输给大医院，大医院针对检测的图像数据对疾病进行确诊来均衡医疗医疗资源，但是面临以下问题：第一、数据孤岛的问题，由于其中涉及到隐私的问题，各个机构之间的数据不会直接共享；第二、单一的计算节点已经不能满足需求；多个大医院的医疗资源共享能够更全面地对检测图像的疾病进行诊断，保证诊断的准确性和全面性。因此，实际数据应用场景通常采用分布式机器学习方法。在利用大量数据信息训练模型的同时，如何有效进行用户的数据安全和隐私保护的问题需要关注；第三、大数据下同时存在着标注少的问题，导致无法有效进行模型的训练。

发明内容

本发明的目的是提供一种基于半监督-迁移学习的分布式隐私保护方法及系统，能够增强分布式技术的隐私保护性能。

为实现上述目的，本发明提供了如下方案：

一种基于半监督-迁移学习的分布式隐私保护方法，所述方法包括：

构建分布式模型；所述分布式模型包括一个学生模型和多个教师模型；

以标注好疾病类别的图像数据集为输入，对所述分布式模型中的教师模型进行训练，得到训练好的教师模型；所述教师模型的输出为疾病类别；

将未标注疾病类别的图像数据集输入至所述训练好的教师模型，得到疾病类别数据集；

对多个所述训练好的教师模型输出的所述疾病类别数据集进行加密处理，确定参考疾病类别数据集；

以所述未标注疾病类别的图像数据集为输入，以所述参考疾病类别数据集为输出，对所述分布式模型中的学生模型进行训练，得到训练好的学生模型；

将待诊断疾病类别的图像数据输入所述训练好的学生模型，得到待诊断疾病的疾病类别。

可选地，采用resnet-50作为所述分布式模型中的教师模型；所述教师模型的分类层的类别数为所述标注好疾病类别的图像数据集中疾病类别的数量。

可选地，所述对多个所述训练好的教师模型输出的所述疾病类别数据集进行加密处理，确定参考疾病类别数据集，具体包括：

对多个所述训练好的教师模型输出的所述疾病类别数据集进行加噪，得到多个预测分类数据集；

对所述多个预测分类数据集应用投票机制，确定参考疾病类别数据集。

可选地，通过随机响应算法进行加噪。

可选地，所述分布式模型中的学生模型应用损失函数对所述参考疾病类别数据集进行降噪；所述损失函数为对称交叉熵函数或标签平滑正则化方法。

一种基于半监督-迁移学习的分布式隐私保护系统，所述系统包括：

构建模块，用于构建分布式模型；所述分布式模型包括一个学生模型和多个教师模型；