2025年3月24日至4月3日，由北京大学医学技术研究院牵头，联合香港中文大学、清华大学、中国科学院信息工程研究所共同开展的联邦学习多中心研究合作项目取得重要成果。四方研究团队在多模态医学数据融合、异构数据对齐、隐私保护等核心技术展开合作攻关，首先构建了支持多地DICOM格式医学影像数据上传与共享的云平台，实现基于云平台的PACS-RIS连接；成功部署并测试了多中心联邦学习服务器，配备FPGA芯片卡实现安全通信。合作完成AI辅助诊断学术论文初稿。本次部署的联邦多模态自适应融合方案，有望显著提升联邦学习在健康、医疗场景下应用的可及性与泛化性。本次测试的儿童肺炎风险评估模型的测试结果准确率得到提升，达到80%以上，明显优于单中心结果。

此次合作汇聚了北京大学、港中文、清华大学及中国科学院信工所在医学技术、临床医学、人工智能及数据安全等多个方向，形成了“医工交叉+多地区协同”的创新模式。未来将进一步优化联邦学习技术，拓展在罕见病智能诊断、药物研发、远程医疗等领域的应用，并推动相关技术标准的制定，为我国智慧医疗体系建设提供关键技术支撑。此次合作不仅展现了联邦学习在医疗领域的巨大潜力，也为医疗数据安全共享与AI协作提供了可借鉴的方案。

合影留念

背景材料：在医疗人工智能领域，数据隐私保护与跨机构协作一直是一大挑战。传统集中式机器学习需要共享原始数据，存在隐私泄露风险，而各医疗机构的数据“孤岛”现象也制约了AI模型的优化。为此，北京大学团队联合香港中文大学、清华大学及中科院信工所，采用联邦学习技术，构建了分布式医疗数据分析平台。该技术允许各参与方在不共享原始数据的情况下，通过加密参数交互共同训练AI模型，既保护了患者隐私，又充分利用了多中心数据价值。