基于UCI数据集的集中式和联邦心脏病分类模型及其沙普利值解释性

基于社群的联邦机器学习算法将分布式数据聚类成具有相似诊断和地理位置的社群，保护隐私并提高模型学习效果。

提出了一种可扩展的工作流程，利用NLP、AutoML等技术从EHR中构建机器学习分类器，识别多种疾病，表现出更高的分类性能。

引入了结合FedProx和FedBN的FL方法FedPxN，在性能方面优于其他FL算法，功耗略高于最省电的方法。

SaFE方案使用集成方法计算Shapley值，评估医疗影像中参与者的贡献，计算成本低且评估效果好。

建立了基于机器学习的心脏疾病预测系统，使用多种分类算法和评估指标，评估临床决策支持系统的影响。

综述了联邦学习在医学图像分析中的发展，分类总结现有方法，并评估其在医学图像分析中的应用。

联邦学习允许在不损害隐私的情况下使用多个信息源的数据进行模型训练，适用于心血管疾病的早期检测。

FedKDF是一种无数据蒸馏的联邦学习方法，聚合不同客户端的知识，实现高效的胸部疾病分析。

提出了一种数据正则化算法，适用于高类别不平衡情况下的心血管疾病预测，验证了其在不同场景下的稳健性。

FedMIC框架通过全局和局部知识为医疗组织提供定制模型，减少通信开销，提高效率和适用性。