通过联邦数字双胞胎与信息年龄优化实现的实时智能医疗保健

满足快速且准确诊断的需求仍然是智能医疗领域的一项重大挑战，尤其是涉及紧急情况或数据不足的罕见医疗案例。本文回顾了现有的医疗保健中的人工智能驱动方法，并识别了它们在应对这些挑战中的优缺点。为了解决及时医疗响应的迫切需求，我们提出了一种新颖的联邦数字双胞胎框架，结合了分层学习和人工智能生成内容(AIGC)。此外，我们利用信息年龄(AoI)作为优化实时数据和模型更新的综合指标，采用深度强化学习算法实现信息的新鲜度提升。我们的框架在各种临床数据集上表现出高诊断准确性，包括脑部MRI (93%)、OrganA MNIST (89%)、胸部MNIST (83%)和视网膜MNIST (80%)。此外，实验验证表明我们的方法显著将信息年龄降低至平均0.6秒，明显优于Rainbow DQN和传统贪婪方法。这些结果揭示了我们提出的方法在提供及时、保护隐私且准确的诊断方面的潜力，为未来智能医疗系统的进步奠定基础。