联邦学习在牙髓病学中的应用：隐私保护多中心人工智能框架

引言与目的：牙髓病学中高质量的人工智能（AI）模型需要访问多样化、标注良好的数据集。本综述介绍了联邦学习（FL）作为牙髓病学中协作AI的隐私保护框架。方法：在这篇叙述性综述中，我们在多个数据库中进行了全面的文献检索，涵盖了截至2026年4月发表的研究。搜索策略有意宽泛，以便对相关概念的演变进行彻底探索。然而，为确保理解和分析的一致性，综述仅限于英文出版物。对描述FL基础知识和应用的研究进行了回顾和比较分析。该叙述性综述作为框架，概述了其在诊断和决策支持任务中应用的实施路径、挑战和研究重点。结果：由于数据保护法规，传统的集中式训练方法面临法律和伦理挑战。FL允许机构保留本地患者数据，同时将模型更新贡献给中央服务器或去中心化网络，从而提供了一种可行的替代方案。文章探讨了FL原理、隐私和安全机制、架构、技术挑战和对抗性风险。监管和伦理考量依赖于先进技术措施和稳健组织实践的结合。提出的FL实施路线图包括试点研究、标准化数据处理流程、临床验证和监管参与。FL有望在保护患者隐私的同时，促进牙髓病学中的AI发展，在诊断和个性化护理方面具有潜在益处。结论：FL可以推动AI在牙髓病学中的整合，优先保护患者隐私。这一举措有望改善诊断流程并促进个性化治疗方法。临床相关性：FL使得在不共享患者数据的情况下开发多中心AI模型成为可能。通过利用多样化的临床数据集，这种方法可以在保护患者隐私的同时，提高用于牙髓病诊断、治疗规划和结果预测的AI系统的准确性和普适性。