目的:新型冠状病毒的暴发暴露出疫情防控信息辅助系统存在诸多问题，需要解决如关键数据防篡改、可溯源、区域不同层级的决策支持系统缺失、跨区域的多方协作存在壁垒以及病例诊断自动化程度不高等问题。方法:本文初步探讨将人工智能、支持隐私保护的安全计算、区块链等新兴技术引入到疫情防控信息辅助系统中。结果:本文探讨了采用现代密码学和区块链技术建立保证疫情信息安全性的溯源体系；提出分布式决策支持系统的设计；提出基于SGX技术解决联邦学习的隐私保护问题，并设计出分组架构缓解SGX的性能开销。结论:以上设计方案能够有助于实现疫情信息的安全性和可溯源性，同时还有望提高疫情防控信息辅助系统的自动化程度和决策效率。

人工智能（AI）在眼底病全程管理中展现出革新价值与广泛应用潜力，但也面临临床转化、数据质量、算法解释性、跨文化适应性等挑战。AI在糖尿病视网膜病变、年龄相关性黄斑变性等眼底病中，实现高效筛查、精确诊断、个性化治疗建议及预后预测。然而，AI对大规模、高质量、多样化的数据集需求与现有研究数据局限性之间的矛盾，以及黑箱模型的可解释性问题、医生与患者接受度、算法普适性等挑战，阻碍了其在眼科临床的广泛普及。为应对这些挑战，研究者们正探索采用联邦学习、标准化数据收集、前瞻性试验等方法，提升AI系统的稳健性、可解释性和实用性。尽管存在挑战，AI在眼底病管理中的优势显著，包括提升筛查效率、辅助个性化治疗、揭示疾病新特征及制定精准治疗策略，并通过5G、物联网等技术推动远程医疗发展。未来研究应继续解决现存问题，充分发挥AI在眼底病防治中的潜力，推动眼科服务迈向智能化、精准化、远程化，以满足全球眼健康需求。

医学影像的人工智能系统在辅助疾病诊疗方面已展现出巨大潜力，但医学影像数据孤岛、数据隐私安全及数据行业标准不统一等问题严重阻碍了人工智能赋能疾病诊疗。通过结合联邦学习和FAIR科学数据管理准则，可从技术上缓解上述问题对构建医学影像人工智能系统的影响，进而发挥多中心数据的最大价值，开发出更加高效、准确的疾病诊疗系统，指导基于医学影像的人工智能技术在疾病诊疗领域落地。

基于乳腺MRI的人工智能模型应用于乳腺疾病的诊疗，对提高乳腺癌诊断准确度及早期预测乳腺癌疗效具有价值。多中心、大样本及标准化的乳腺MRI数据库是开发基于乳腺MRI的人工智能模型的必要基础。结合联邦学习及FAIR科学数据管理准则（可查询、可访问、可交互、可再用）有助于促进多中心乳腺MRI数据库构建、管理及使用，进而开发高效、准确的基于乳腺MRI的人工智能模型，并辅助临床进行乳腺疾病诊疗决策。本共识旨在对构建高质量、标准化的乳腺MRI公开数据库给予示范及引导。

计算机视觉（CV）在麻醉学中的应用已日渐显现其潜力和价值，CV技术可以提高麻醉效果、降低并发症风险、优化资源分配和提高工作效率。文章回顾了CV在麻醉学中的现有应用，包括气道管理、神经阻滞和穿刺、麻醉深度（DoA）监测和围手术期相关并发症预警等；也讨论了当前应用中面临的挑战，如数据获取、模型训练、解释性、鲁棒性等；以及未来可能的发展方向，如采用混合学习、迁移学习和联邦学习等新的方法或技术。CV技术有望对麻醉学的发展产生深远影响，推动其向更高的精准医疗水平迈进。

目的 观察基于胸部X线片建立的人工智能联邦学习系统用于病原学诊断儿童社区获得性肺炎(CAP)的价值.方法 回顾性选取 2所医院共 900例CAP患儿,包括细菌性、病毒性及支原体CAP各 300例,对每例选取 1幅胸部正位片.收集公开数据集GWCMCx中的5856幅儿童胸部正位片,分别来自4273例CAP患儿和1583例胸部无明显异常患儿.按8∶2比例将全部6756幅胸片分为训练集(n=5359)与验证集(n=1397).建立基于注意力机制的病原学诊断儿童CAP模型,设计二分类及三分类诊断算法并进行联邦部署训练;与DenseNet模型对比,观察所获学习系统用于病原学诊断儿童CAP的效能.结果 人工智能联邦学习系统模型针对全部数据诊断CAP的准确率为97.00%,曲线下面积(AUC)为0.990.基于来自医院的数据,本系统根据单一影像学数据及临床-影像学数据实现病原学诊断儿童CAP的AUC分别为 0.858及 0.836,均高于DenseNet模型的 0.740(P均＜0.05).结论 基于胸部X线片的人工智能联邦学习系统可用于病原学诊断儿童CAP.

近年来,基于人工智能的皮肤病智能诊断已经成为智慧医疗领域的热门课题.然而由于单一机构的数据有限,局部训练的神经网络难以满足医疗诊断服务的性能需求,从分散机构中收集数据的集中式学习又存在隐私泄漏的风险.基于上述挑战,本文提出一种基于联邦深度学习的皮肤病智能诊断算法.具体地,对比主流的集中式学习,为了在整合多方数据时防止隐私泄漏,本文引入了联邦学习.各客户端将本地模型发送到中心服务器进行聚合,中心服务器再将聚合得到的全局模型同步到各客户端,实现神经网络模型的训练.进一步,为了解决联邦学习中数据异构性的问题,本文在交叉熵损失的基础上增加了修正项,通过修正项限制本地模型和全局模型间的差异,增加模型对异构数据的关注度,从而减小数据异构对诊断结果的影响.实验结果表明,本文所提的皮肤病智能诊断算法与现有相关方案相比,诊断准确度提高了 3%～4%,达到75.9%.

目的:在临床大数据深化应用的背景下,通过对临床数据进行隐私安全计算,提供更精准、安全的信息,形成一套临床+科研的良性数据闭环.方法:通过对结构化、非结构化数据进行智能分型,利用矢量化分析与联邦学习等技术手段,结合人工智能动态分析,消除信息孤岛,去除或加密有关患者隐私或国家法规要求保护的敏感信息,将结果组装,形成统一标准,提供科研应用.结果:通过在我院临床数据中心(CDR)的应用层搭建隐私安全计算平台,去除敏感信息,规范数据出口,无需人工干预,使我院临床大数据应用更安全可靠.结论:通过隐私安全计算的应用,对CDR数据进行统一的安全计算与隐私加密,能够提供临床更精准、有效的科研数据,并保证其安全可靠.

目的 对E-learning在护理员培训中的应用情况进行综述,为完善护理员培训方案提供参考.方法 对相关文献资料进行检索与回顾,总结归纳国内外关于E-learning在护理员培训中应用研究进展.结果 E-learning起源于上世纪90年代初,随着互联网的出现而逐渐兴起,主要应用于网络平台及智能移动终端;应用模块包括基于互联网的信息数据资源、交互式在线模块和考核模块;在国外应用对象主要是接受强制培训和需要职业提升的护理员,在国内主要是应试人群和部分公司的在职护理员;美国培训课程主要由联邦政府统一制定,在国内缺乏成体系的E-learning课程设计;应用评价方面,国外通过对患者的疾病预后、患者满意度调查、在线学习出席率及护理员的主观感受进行更加立体、客观、全面的评价;在国内主要是学员的主观及客观评价.结论 国内亟需尽快建立成体系的目前护理员适用的E-learning课程.

介绍健康医疗数据应用发展情况及相关研究现状,提出采用联邦机器学习方式建立具有安全和隐私保护的慢病管理模型,从目的、系统架构、框架及功能、训练过程等方面阐述模型框架设计,指出其有助于大幅降低用户数据泄露风险.