《Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery》：Federated Learning and 5G/6G-Based Internet of Medical Things (IoMT): Applications, Key Enabling Technologies, Open Issues and Future Research Directions
编辑推荐：
智能医疗技术的快速扩展催生了对系统的日益增长的需求，这些系统不仅要智能高效，还要深度尊重患者隐私。随着医疗数据日益分布在可穿戴设备、医院网络、家庭传感器和移动应用中，传统的集中式方法难以跟上不断变化的安全性、延迟和互操作性需求。在这篇综述中，研究人员探索了联邦
智能医疗技术的快速扩展催生了对系统的日益增长的需求，这些系统不仅要智能高效，还要深度尊重患者隐私。随着医疗数据日益分布在可穿戴设备、医院网络、家庭传感器和移动应用中，传统的集中式方法难以跟上不断变化的安全性、延迟和互操作性需求。在这篇综述中，研究人员探索了联邦学习（Federated Learning, FL）作为一条通向去中心化智能的有前景的途径，它允许医疗机构和医疗物联网（Internet of Medical Things, IoMT）设备在不共享敏感患者数据的情况下进行协作。在新兴的5G和6G通信技术的支持下，FL有潜力通过实现实时分析、可靠的远程监控、个性化治疗建议和先进的医疗诊断来重塑现代医疗。高带宽、低延迟的网络为FL在不同医疗环境中顺利运行提供了连接骨干。研究人员审查了FL的各种形式、其在IoMT应用中的集成，以及使能技术的作用，如边缘计算（Edge Computing）、设备到设备（Device-to-device, D2D）通信、大规模机器类型通信（Massive Machine Type Communication, mMTC）、区块链（Blockchain）、软件定义网络（Software Defined Networking, SDN）、网络功能虚拟化（Network Function Virtualization, NFV）、数字孪生（Digital twins）和雾计算（Fog computing）。同时，研究人员承认这种集成远非简单。数据异构性、通信开销、模型漂移、安全风险、资源分配和临床互操作性等挑战继续塑造着研究格局。通过综合当前发现、识别开放问题并概述未来研究方向，这篇综述为AI、网络和数字医疗的集成领域提供了清晰性并推动了研究进展。
论文主体部分系统阐述了联邦学习（Federated Learning, FL）与5G/6G医疗物联网（Internet of Medical Things, IoMT）的集成框架，涵盖从集中式到分散式系统转型的背景、FL类型、具体应用、关键使能技术及其挑战，以及开放问题与未来方向。
**1 引言**
论文首先指出智能医疗对隐私保护、低延迟和可扩展性的需求，传统集中式系统因数据漏洞、扩展瓶颈和高延迟而难以满足。对比4G、5G和6G在医疗应用中的性能，6G预期实现近零延迟、极高带宽和高级沉浸式技术。集中式系统存在单点故障、可扩展性差、延迟高及患者自主权受限等缺陷，而分散式系统通过分布式数据存储和区块链等技术增强安全性、隐私性、可扩展性和互操作性，并促进患者为中心的医疗模式。人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）在预测分析、医学影像、个性化医疗和药物发现中发挥关键作用，而FL作为隐私保护方法，使AI模型能在不集中敏感数据的情况下跨多源训练。5G/6G的高带宽和低延迟为实时远程监控、机器人手术和边缘计算（Edge Computing）提供支撑，实现高效、安全的分散式医疗系统。论文贡献在于首次系统综述FL在5G/6G IoMT中的应用，涵盖使能技术、挑战和未来方向。
**2 FL在智能医疗中的类型**
FL主要分为四种类型：水平联邦学习（Horizontal Federated Learning, HFL）适用于各机构拥有相同特征空间但不同样本的场景，通过梯度聚合更新全局模型；垂直联邦学习（Vertical Federated Learning, VFL）适用于不同机构拥有同一患者的不同特征，需安全多方计算（Secure Multi-Party Computation, SMPC）或差分隐私（Differential Privacy, DP）进行特征对齐与更新；联邦迁移学习（Federated Transfer Learning, FTL）解决数据分布差异，通过源域训练后迁移至目标域微调；联邦强化学习（Federated Reinforcement Learning, FRL）结合强化学习（Reinforcement Learning, RL）与FL，各机构本地训练策略并聚合更新，适用于动态决策场景。每种类型在医疗中均有独特优势，但面临非独立同分布（Non-IID）数据、通信开销和计算资源限制等挑战。
**3 FL在IoMT中的应用**
FL在IoMT中支撑六大应用：远程患者监控（Remote Patient Monitoring, RPM）通过边缘设备本地处理数据，实现实时健康预测，但需应对设备异构性和通信安全；个性化治疗推荐（Personalized Treatment Recommendations）利用多机构数据训练模型，克服本地数据稀疏性，但需标准化数据格式并处理偏差；疾病预测与预防（Disease Prediction and Prevention）通过自然语言处理（Natural Language Processing, NLP）和深度神经网络（Deep Neural Network, DNN）分析非结构化文本和影像，保护隐私；药物发现（Drug Discovery）使多个组织在不共享原始数据下协作训练模型，加速分子优化和蛋白质折叠预测；慢性病管理（Chronic Disease Management）通过持续监测和个性化干预提升护理效果，但需处理数据复杂性和隐私法规；增强影像诊断（Enhanced Imaging Diagnostics）应用于脑肿瘤分割和功能磁共振成像（Functional Magnetic Resonance Imaging, fMRI）分析，利用异构数据源训练泛化模型。
**4 5G/6G IoMT关键使能技术与FL挑战**
论文详细分析了九种使能技术及其与FL集成时的挑战。设备到设备通信（Device-to-Device, D2D）可降低延迟和网络负担，但数据异构性和能量限制导致模型更新异步；大规模机器类型通信（Massive Machine Type Communication, mMTC）支持高密度设备连接，但增加通信开销和聚合复杂性；边缘计算（Edge Computing）将计算靠近数据源，减少延迟，但边缘设备计算能力差异导致同步问题；网络功能虚拟化（Network Function Virtualization, NFV）提供灵活资源调度，但虚拟化环境的动态性可能干扰FL的同步聚合；软件定义网络（Software Defined Networking, SDN）集中控制网络流量，但集中式控制与FL分散式更新存在冲突，可能产生瓶颈；区块链（Blockchain）通过分布式账本确保数据完整性，但共识机制（如工作量证明）引入延迟，需轻量级共识算法；雾计算（Fog Computing）作为边缘与云中间层，加速决策，但雾节点能力异质性阻碍模型同步；数字孪生（Digital Twin）创建物理实体的虚拟表示，支持个性化医疗，但需同步虚拟与真实数据，计算需求高；蜂窝物联网（Cellular IoT, CIoT）利用窄带物联网（NarrowBand IoT, NB-IoT）实现低功耗广覆盖，但设备异构性导致数据一致性问题和能量-学习效率权衡。
**5 开放问题与未来研究方向**
在机器学习（Machine Learning, ML）方面，开放问题包括数据异构性（Data Heterogeneity）、本地更新质量（Quality of Local Updates）、模型聚合（Model Aggregation）、模型漂移与适应（Model Drift and Adaptation）、全局与局部模型平衡（Global vs. Local Models）以及评估与验证（Evaluation and Validation）。在电信领域，资源分配（Resource Allocation）、服务质量（Quality of Service, QoS）、动态拓扑调整（Dynamic Topology Adjustments）、互操作性（Interoperability）、网络延迟（Network Latency）和连接可靠性（Connection Reliability）是关键挑战。网络安全方面，模型投毒（Model Poisoning）、聚合模型完整性（Integrity of Aggregated Models）、数据隐私（Data Privacy）、信任建立（Trust Establishment）、安全聚合协议（Secure Aggregation Protocols）和重放攻击（Replay Attacks）需要关注。在医学信息学中，数据质量与一致性（Data Quality and Consistency）、语义解释（Semantic Interpretation）、模型有效性与泛化性（Model Validity and Generalizability）、临床集成（Clinical Integration）、患者隐私与同意管理（Patient Privacy and Consent Management）、实时分析（Real Time Analytics）以及监管与伦理挑战（Regulatory and Ethical Challenges）被强调。未来研究方向包括高级隐私保护技术（如全同态加密Homomorphic Encryption、差分隐私DP、安全多方计算SMPC）、优化资源分配算法（如深度强化学习）、高级聚合协议（如模型稀疏化Quantization）、动态自适应模型（如终身学习Lifelong Learning）、互操作性解决方案（如标准化本体FHIR/HL7）、鲁棒安全协议（如区块链验证）、语义翻译机制、同意管理系统（如区块链日志）、增强验证协议（如联邦交叉验证）、伦理框架（如可解释AI Explainable AI, XAI）以及整体患者监测（Holistic Patient Monitoring, HPM）。最后，论文提出需要演进整体监管框架以应对5G/6G与FL融合带来的端到端安全与隐私问题。
