面向医疗大数据的区块链与联邦学习融合方法

1.本技术属于联邦学习技术领域，尤其涉及一种面向医疗大数据的区块链与联邦学习融合方法。


背景技术：

2.随着人工智能领域的进步，使用医疗数据基于机器学习和深度学习方法辅助医疗机构进行疾病诊断、预测，具有巨大的前景。这一领域的发展与创新有利于改善医疗实践、优化稀缺医疗资源的使用和推进精准医疗建设。
3.深度学习模型往往具有百万级的参数，这些参数需要从足量且多样化的医疗数据集中学习才能实现临床级的准确率。当研究人员使用依赖数据驱动的深度学习模型试图训练时，单设备上的本地数据量过少将不足以训练一个有效的模型。此时，往往考虑共享医疗系统中的数据集进行联合训练。
4.然而医疗数据往往分布于不同医院的大量设备上，医护人员收集、管理与维护高质量的医疗数据集需要大量的人力、物力以及经济费用。故医疗数据集具有重要的商业价值，医疗机构不太可能愿意免费共享。同时，医疗数据涉及大量患者隐私信息，贸然共享数据有可能导致大面积的隐私泄露。
5.随着对医疗数据价值的重视和隐私保护相关的法律法规推进，医疗“数据孤岛”问题日益严重，研究人员开始寻找新的解决方法，以期在不共享私有数据集和不损害患者隐私的情况下，使用医疗数据训练深度学习模型。而联邦学习（federated learning）正满足这一需求。
6.在医疗领域中，将联邦学习应用于训练有关模型还存在以下问题：其一，由于地区疾病差异导致的各医疗机构数据量和标签不平衡，联邦学习始终面临着非独立同分布数据的负面影响，造成全局模型的适用性差、联邦学习系统的鲁棒性差；其二，联邦学习系统缺乏激励机制，各方对于联合训练兴致缺缺。


技术实现要素：

7.本技术实施例提供了一种面向医疗大数据的区块链与联邦学习融合方法，可以解决由于地区疾病差异导致的各医疗机构数据量和标签不平衡等问题导致的非独立同分布数据对联邦学习准确率的影响。同时，也能提高联邦学习系统鲁棒性，提升各医疗机构对联合训练积极性。
8.本技术实施例提供了一种面向医疗大数据的区块链与联邦学习融合方法，包括：步骤1，在医疗客户端和矿工节点之间构建区块链网络和联邦学习训练环境，每个医疗客户端从区块链网络下载深度学习模型和智能合约，智能合约封装有针对非独立同分布医疗数据中标签偏移场景的联邦学习算法；步骤2，每个医疗客户端利用自身的本地医疗数据集对深度学习模型进行训练；在训练过程中，根据联邦学习算法在深度学习模型softmax层中将本地医疗数据集中缺失标
签类别的分类权重缩小；步骤3，每个医疗客户端将训练后的深度学习模型上传给与该医疗客户端相关联的矿工节点，并根据区块链网络激励机制获得数据奖励；步骤4，接收到训练后的深度学习模型的多个矿工节点，对训练后的多个深度学习模型进行交叉验证；其中，当训练后的深度学习模型通过交叉验证时，该深度学习模型对应的矿工节点运行工作量证明机制，根据区块链网络激励机制获得挖矿奖励，并在完成工作量证明机制后，产生新的区块，将该深度学习模型存储于该新的区块中，并将新的区块添加到区块链网络中；步骤5，每个医疗客户端从区块链网络下载所有新的区块中的深度学习模型，根据联邦学习算法校验下载的深度学习模型的准确率，并根据准确率动态调整模型聚合权重更新全局模型；步骤6，将更新后的全局模型作为步骤2中的深度学习模型，并返回执行步骤2，直至更新后的全局模型收敛。
9.可选的，根据联邦学习算法在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小，包括：利用超参数，在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小。
10.可选的，利用超参数，在深度学习模型softmax层中将本地医疗数据集中缺失标签分类的分类权重缩小，包括：通过公式，在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小；其中，表示第个医疗客户端的本地医疗数据集中的第个样本为第个分类的概率，，表示第个医疗客户端的观察类集，表示第个医疗客户端缺失标签的类集，i表示当前分类，
훼
表示超参数，
훼
∈[0，1]，表示第轮更新全局模型时，第个医疗客户端对应的第个分类权重，，表示全局模型的总更新轮数，表示第个医疗客户端的本地医疗数据集中的第个样本的提取特征向量，c表示分类的总数。
[0011]
可选的，根据准确率动态调整模型聚合权重更新全局模型，包括：通过公式，计算第个医疗客户端对应的深度学习模型的模型聚合权重；通过公式，获得全局模型的全局参数；
其中，表示第个医疗客户端对应的深度学习模型的准确性，，表示第个医疗客户端对应的深度学习模型的准确性，表示医疗客户端的总数，表示第轮更新全局模型时，第个医疗客户端利用自身的本地医疗数据集训练得到的深度学习模型的本地模型参数，，表示全局模型的总更新轮数。
[0012]
可选的，根据区块链网络激励机制获得数据奖励，包括：每个医疗客户端从与该医疗客户端相关联的矿工节点获得数据奖励；数据奖励与该医疗客户端的本地医疗数据集的样本量以及该医疗客户端对应的深度学习模型的准确性成正比。
[0013]
可选的，根据区块链网络激励机制获得挖矿奖励，包括：矿工节点从区块链网络获得挖矿奖励；挖矿奖励与该矿工节点关联的所有医疗客户端的本地医疗数据集的样本总量成正比。
[0014]
本技术的上述方案有如下的有益效果：在本技术的实施例中，通过利用区块链的共识机制帮助医疗客户端构建一种安全、互惠和稳定的联邦学习环境，利用区块链的智能合约封装针对非独立同分布医疗数据中标签偏移场景的联邦学习算法，在医疗客户端的本地训练阶段，根据智能合约的联邦学习算法在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小，同时在全局模型融合阶段，利用各本地模型的准确率动态调整模型聚合权重进行全局模型的更新，从而解决了医疗数据之间质量差距较大且不同地区的医疗数据因疾病差异导致的数据量和标签不平衡的问题，能训练更优的全局模型、提高联邦学习系统的鲁棒性。
[0015]
此外，利用本地医疗客户端设备进行全局模型更新可以确保在矿工节点或者医疗客户端设备故障时不会影响其他医疗客户端设备的全局模型更新。这样普通医疗客户端设备用户和矿工节点用户都能得到最新的全局更新模型，以此形成对用户的激励机制，医院和矿工均可利用奖励兑换模型使用权限，从而提升了各医疗机构对联合训练的兴趣，完善多医疗机构共同参与机制。
[0016]
本技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0017]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]
图1为本技术一实施例提供的面向医疗大数据的区块链与联邦学习融合方法的流程图；图2为本技术一实施例提供的利用区块链技术构建的联邦学习环境的架构图；图3为本技术一实施例提供的区块的结构示意图。
具体实施方式
[0019]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具
体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0020]
应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0021]
还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0022]
如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0023]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0024]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0025]
目前针对医疗数据的联邦学习存在全局模型的适用性差、联邦学习系统的鲁棒性差以及各医疗机构对联合训练兴趣不高的问题。
[0026]
针对上述问题，本技术实施例提供了一种面向医疗大数据的区块链与联邦学习融合方法，该方法通过利用区块链的共识机制帮助医疗客户端构建一种安全、互惠和稳定的联邦学习环境，利用区块链的智能合约封装针对非独立同分布医疗数据中标签偏移场景的联邦学习算法，在医疗客户端的本地训练阶段，根据智能合约的联邦学习算法在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小，同时在全局模型融合阶段，利用各本地模型的准确率动态调整模型聚合权重进行全局模型的更新，从而解决了医疗数据之间质量差距较大且不同地区的医疗数据因疾病差异导致的数据量和标签不平衡的问题，能训练更优的全局模型、提高联邦学习系统的鲁棒性。
[0027]
此外，利用本地医疗客户端设备进行全局模型更新可以确保在矿工节点或者医疗客户端设备故障时不会影响其他医疗客户端设备的全局模型更新。这样普通医疗客户端设备用户和矿工节点用户都能得到最新的全局更新模型，以此形成对用户的激励机制，医院和矿工均可利用奖励兑换模型使用权限，从而提升了各医疗机构对联合训练的积极性，完善多医疗机构共同参与机制。
[0028]
下面结合具体实施例对上述面向医疗大数据的区块链与联邦学习融合方法进行说明。
[0029]
如图1所示，本技术实施例提供的面向医疗大数据的区块链与联邦学习融合方法包括如下步骤：
步骤1，在医疗客户端和矿工节点之间构建区块链网络和联邦学习训练环境，每个医疗客户端从区块链网络下载深度学习模型和智能合约，智能合约封装有针对非独立同分布医疗数据中标签偏移场景的联邦学习算法。
[0030]
在本技术的一些实施例中，如图2所示，可利用区块链的共识机制帮助各医疗机构的医疗客户端构建一种安全、互惠和稳定的联邦学习环境。示例性的，在构建联邦学习环境时，每个医疗机构可以对应一个医疗客户端。且在联邦学习环境构建完成之后，新的医疗客户端和矿工节点的加入是动态的，需要授权。需要说明的是，图2中的d1表示第1个医疗客户端，dn表示第n个医疗客户端，m1表示第1个矿工节点，mj表示第j个矿工节点。
[0031]
作为一个可选的示例，可在联邦学习训练环境中随机选择多个医疗客户端从区块链网络下载深度学习模型和智能合约，并执行后续步骤。
[0032]
步骤2，每个医疗客户端利用自身的本地医疗数据集对深度学习模型进行训练；在训练过程中，根据联邦学习算法在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小。
[0033]
上述深度学习模型可以为用于执行多分类任务的神经网络模型，softmax层为深度学习模型中类别概率的归一化函数，用于处理分类任务中初始输出结果。
[0034]
在深度学习中，与分类结果最直接关联的就是深度学习模型中的softmax层。但是，现有的softmax层 交叉熵（cross entropy）的分类方式会导致缺失类别或者稀有类别的分类权重往错误方向更新。基于此，本技术实施例在医疗客户端的本地训练阶段中，对缺失类（即本地医疗数据集中缺失标签的类别）的分类权重进行缩小加以限制，从而有效避免缺失类别的分类权重会错误方向更新，提升本地模型（即医疗客户端利用自身的本地医疗数据集训练得到的深度学习模型）的准确性，进而有助于优化全局模型。
[0035]
示例性的，医疗客户端在本地对深度学习模型进行迭代训练过程中，可使用随机梯度下降，将交叉熵定义为损失函数。
[0036]
步骤3，每个医疗客户端将训练后的深度学习模型上传给与该医疗客户端相关联的矿工节点，并根据区块链网络激励机制获得数据奖励。
[0037]
在本技术的一些实施例中，在上述联邦学习环境中，每个医疗客户端均有一个与之相关的矿工节点，可以理解的是，一个矿工节点可以与多个医疗客户端相关联，一个医疗客户端也可与多个矿工节点相关联，率先完成工作量证明机制的矿工节点拥有记账权与挖矿奖励。
[0038]
当医疗客户端将训练后的深度学习模型上传给与其相关的矿工节点后，该医疗客户端可以根据区块链网络激励机制从该矿工节点获得数据奖励。即，每个医疗客户端在上传训练后的深度学习模型后，均能从与该医疗客户端相关联的矿工节点获得数据奖励。
[0039]
步骤4，接收到训练后的深度学习模型的多个矿工节点，对训练后的多个深度学习模型进行交叉验证；其中，当训练后的深度学习模型通过交叉验证时，该深度学习模型对应的矿工节点运行工作量证明机制，根据区块链网络激励机制获得挖矿奖励，并在完成工作量证明机制后，产生新的区块，将该深度学习模型存储于该新的区块中，并将新的区块添加到区块链网络中。
[0040]
在本技术的一些实施例中，上述联邦学习环境中的矿工节点在接收到各医疗客户端上传的本地模型（即训练后的深度学习模型）后，将对这些本地模型进行交换和验证（即
交叉验证）。对于通过交叉验证的本地模型，该本地模型对应的矿工节点运行工作量证明机制（pow），并根据区块链网络激励机制从区块链网络获得挖矿奖励，其原理与传统区块链网络的挖矿概念相同。
[0041]
在矿工节点运行工作量证明机制后，将产生一新的区块，该矿工节点将相关联的、且通过交叉验证的本地模型存储于该新的区块中，并将该新的区块添加到区块链网络中。
[0042]
具体地，如图3所示，每个区块由头部和数据主体组成，其中区块头部分包括指向前一个块区块的哈希指针以及一组元数据（时间戳、难度目标、nonce（nonce是一个只被使用一次的任意或非重复的随机数值），区块里记录了验证的本地模型的更新（即图3中的模型数据）。
[0043]
其中，哈希指针除了包含通常的指针外，还包含一些数据信息以及与这些信息相关的密码哈希值，这就使得区块不仅可以用来指向存储位置，还可以用于验证信息是否发生改变。块头的还包括一组元数据，其中，时间戳用来表达该区块产生的近似时间（精确到秒的unix时间戳），难度目标用来表示工作量证明算法的运行难度，nonce用来表示工作量证明算法的计数器。
[0044]
每一个矿工节点拥有一个与其相关联的医疗客户端设备和验证过的本地模型更新数据的候选区块(未上链区块)，写入区块数据直到达到区块的最大数据量（或者达到等待时间t）。然后，运行pow算法，矿工节点通过改变其输入，即nonce随机生成一个哈希值，直到生成的哈希值变得小于目标值，便成功地找到了哈希值，它的候选块就可以成为区块链中一个新的区块（区块的生成速度可以被pow的难度目标控制，即pow的难度目标越大/区块目标值越小，区块生成速度越小），然后将模型数据写入的新生成的区块的数据主体中，就完成了模型数据上链的过程。
[0045]
步骤5，每个医疗客户端从区块链网络下载所有新的区块中的深度学习模型，根据联邦学习算法校验下载的深度学习模型的准确率，并根据准确率动态调整模型聚合权重更新全局模型。
[0046]
在本技术的一些实施例中，全局模型的聚合算法由区块链网络的智能合约中联邦学习算法实现与审核，指导每个医疗客户端下载新的区块，并依据智能合约中的联邦学习算法验准确率动态调整模型聚合权重更新全局模型。
[0047]
步骤6，将更新后的全局模型作为步骤2中的深度学习模型，并返回执行步骤2，直至更新后的全局模型收敛。
[0048]
即，医疗客户端在完成一次全局模型更新，得到全局参数后，可将该全局参数更新为其局部模型参数（即本地模型参数），进入下一轮的全局模型更新。
[0049]
值得一提的是，本技术实施例的上述医疗数据联邦学习方法通过利用区块链的共识机制帮助医疗客户端构建一种安全、互惠和稳定的联邦学习环境，利用区块链的智能合约封装针对非独立同分布医疗数据中标签偏移场景的联邦学习算法，在医疗客户端的本地训练阶段，根据智能合约的联邦学习算法在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小，同时在全局模型融合阶段，利用各本地模型的准确率动态调整模型聚合权重进行全局模型的更新，从而解决了医疗数据之间质量差距较大且不同地区的医疗数据因疾病差异导致的数据量和标签不平衡的问题，能训练更优的全局模型、提高联邦学习系统的鲁棒性以及提升各医疗机构对联合训练的积极性，完善多医疗机构共
同参与机制。
[0050]
下面结合具体实施例对上述步骤2的具体实现方式进行示例性说明。
[0051]
在医疗客户端对深度学习模型的本地训练过程中，可利用超参数，在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小。
[0052]
具体的，假设每个医疗客户端只能访问一个类的子集，第个医疗客户端有一个本地医疗数据集，有个样本，表示第个医疗客户端的第个样本，标签仅来自第个医疗客户端的观察类集为，第个医疗客户端缺失标签的类集为。通过如下公式在深度学习模型softmax层中将本地医疗数据集中缺失标签类别的分类权重缩小：其中，表示第个医疗客户端的本地医疗数据集中的第个样本为第个分类的概率，，i表示当前分类，
훼
表示超参数，
훼
∈[0，1]，表示第轮更新全局模型时，第个医疗客户端对应的第个分类权重，，表示全局模型的总更新轮数（需要说明的是，第一次执行上述步骤2至步骤5，称之为第一轮更新全局模型，第二次执行上述步骤2至步骤5，称之为第二轮更新全局模型，依此类推，第次执行上述步骤2至步骤5，称之为第轮更新全局模型），表示第个医疗客户端的本地医疗数据集中的第个样本的提取特征向量，c表示分类的总数。
[0053]
其中，
훼
是唯一的超参数，上述呈现的是一种不对称的缩放方式，对于观察类，正常情况下= 1，而对于缺失标签类，则作为一种衰减的方法，即= 훼
。当超参数
훼
= 1时，等同于联邦平均算法（fedavg）效果。
[0054]
下面结合具体实施例对上述步骤5的具体实现方式进行示例性说明。
[0055]
在本技术的一些实施例中，当医疗客户端根据智能合约下载新的区块后，首先将依据智能合约中的算法通过验证数据集来测试每个本地模型的准确性（表示第个医疗客户端对应的、训练后的深度学习模型的准确性，，表示医疗客户端的总数）；然后通过公式计算第个医疗客户端对应的、训练后的深度学习模型的模型聚合权重；最终通过公式获得全局模型的全局参数。
[0056]
其中，表示第个医疗客户端对应的、训练后的深度学习模型的准确性，表
示第轮更新全局模型时，第个医疗客户端利用自身的本地医疗数据集训练得到的深度学习模型的本地模型参数，，表示全局模型的总更新轮数。
[0057]
需要说明的是，上述验证数据集可以是医疗客户端预先存储的，而利用验证数据集测试模型的准确性可采用常用的准确性获取方式完成，在此不对具体的测试方式进行限定。
[0058]
下面对医疗客户端和矿工节点的奖励进行示例性说明。
[0059]
在本技术的一些实施例中，第个医疗客户端获得的数据奖励与该医疗客户端的本地医疗数据集的样本量，以及第个医疗客户端对应的、训练后的深度学习模型的准确性成正比；矿工节点的挖矿奖励与该矿工节点关联的所有医疗客户端的本地医疗数据集的样本总量成正比。
[0060]
值得一提的是，通过在联邦学习过程中，向各医疗机构的医疗客户端和矿工节点给予奖励，从而进一步提升了各医疗机构对联合训练的兴趣。
[0061]
下面结合具体实验对上述面向医疗大数据的区块链与联邦学习融合方法进行示例性说明。
[0062]
本技术的实验环境在中央处理器（cpu）为intel(r) xeon(r) silver 4114，内存为128gb，显卡为nvidia geforce gtx 2080ti 10gb的计算机上运行。联邦学习本地训练与联邦学习算法部分基于python 3.6 编程语言，使用pytorch 1.4.0 工具包进行实现。区块链网络基于golang 1.18编程语言编写，通过go-python工具包实现两种语言的交互。其中区块链网络的智能合约基于brownie框架，这是一个基于 python 的开发和测试区块链的智能合约框架。
[0063]
本技术使用基准数据集和真实世界数据集共同验证系统性能。本技术使用的基准数据集为cifar-10和cifar-100（cifar-10和cifar-100均为常用的彩色图片数据集）。本技术使用的真实世界数据集为covidx。covidx是目前新型冠状病毒肺炎（covid-19）阳性病例数量最多的公开数据集，由六个公开的covid-19数据库组成。真实世界数据集的诊断任务是图像三分类任务，将胸部x射线图分为三类：（1）正常（无感染），（2）普通肺炎，（3）covid-19。
[0064]
基准实验设置通过将标签分区构建标签分布偏移场景。具体来说，以c10-100-5场景为例，将cifar-10数据集中每个类的样本分成50份，共得到10
×
50 = 500 份样本。同时，设置100个客户端（即上述医疗客户端），将5份样本分配给每个客户端，这样每个客户端平均包含5个类，每个类包含100个样本。全局训练轮次为1000轮，批尺寸（batch size）为64，权重衰减为5
푒
ꢀ–ꢀ
4。其中，客户端本地迭代过程使用随机梯度下降，学习率为恒定的0.03。在每回合训练中，随机选取10%的客户端参与训练。
[0065]
在基准数据集实验中，将本技术提出的方法与其他联邦学习方法进行比较，基准方法为著名的fedavg，除此之外，包括基于正则化的fedmmd和fedprox；基于联邦蒸馏的fd；基于私有共享模型的flda；基于分散的fedaws；基于动量和可控变量的scaffold。表1为深度学习模型为vgg11（vgg11为常用的分类模型），在c10-100-2、c10-100-5和c100-100-20三种场景下的测试精度，选取最后50轮的平均结果。可以看到的是，本技术提出的方法在三种
场景下均获得最好的表现。
[0066]
表1在真实世界数据集实验中，模拟真实的医疗场景，将不同来源不同地区收集的6种covid-19阳性病例公开数据集，分别设置为6个客户端的本地医疗数据集，尽可能地还原真实的应用场景。实验过程中，采用covid-net、mobilenetv2、resnet50和resnext四个深度学习模型，不同随机种子进行重复验证，将与集中训练和fedavg两种训练方法进行对比。表2展示了covidx数据集上的全局测试精度。对于所有四个模型，本技术提出的方法的结果与经典的fedavg的结果相当，在实验四个模型中，有三个超过了fedavg。与集中训练相比，在保护数据安全的前提下，也更为接近。
[0067]
表2由以上实验数据可知，本技术的上述联邦学习方法在基准数据集和真实数据集上使用多种深度学习模型和联邦学习算法验证了方法的优越性。需要说明的是，深度学习在医疗领域的广泛应用依赖于大量的真实医疗数据集的训练，而联邦学习是一把巧妙解决“数据孤岛”问题的钥匙。为了保证能安全、准确和持久地获得全局模型，研究者必须结合实际的医疗场景来设计联邦学习模型。而本技术提出的上述联邦学习方法能帮助各医疗机构在本地数据差异过大的情况下训练模型，同时结合区块链辅助解决网络和激励机制的缺乏问题。
[0068]
以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。