综述强调区块链在医疗数据共享与联邦学习中的作用

两篇综述考察了医疗保健领域中的基于区块链的医疗数据共享计划和基于区块链的联邦学习，发现治理机制和交易机制对维持相关计划的持续运行尤为关键，而 BCFL 框架将区块链的去中心化信任与可审计性，同联邦学习的隐私保护型协作学习能力结合起来。研究指出，由于隐私担忧、数据孤岛、监管限制、数据安全风险以及中心化系统中的单点故障，如何在机构之间安全、高效地共享敏感医疗数据，仍是一项重大挑战。

一篇综述识别出42项计划，并根据所有权、治理、商业、激励、交易和可持续性模型对其进行分类。基础模型在0.65的纳入阈值下运行，识别出多种与计划持续活跃相关的配置，凸显了治理机制和交易结构在支持长期可行性方面的作用。针对多个阈值开展的敏感性分析发现，在0.80时，仅剩两种配置，代表了维持持续活跃状态最一致的路径。

该分析发现，治理、所有权、商业和可持续性模型呈现出多样化特征，没有任何单一的结构配置能够保证长期可行性。研究结果表明，治理和交易机制在维持计划持续运行方面影响尤为显著，往往能够弥补强有力商业模式或可持续性模式的缺失。其研究范围仅限于通过现有文献资料和滚雪球抽样识别出的计划，结果也凸显出有必要进一步研究治理结构、财务模型与长期可持续性在医疗数据共享中的相互作用。

关于基于区块链的联邦学习的系统性文献综述指出，医疗数据的指数级增长以及人工智能的进步，加速了数据驱动型医疗保健的发展，但敏感健康信息的安全交换与管控已成为核心关切。该综述检索了2018至2025年的研究，在自动去重和多阶段人工筛选后，纳入了100多篇高质量论文，内容涵盖理论基础、系统架构、应用领域、局限性和未来方向。

根据该综述，BCFL 能增强数据安全，支持保护隐私的跨机构协作，并推动其在医疗保健中的实际应用，包括医疗数据共享、医疗物联网、公共卫生监测和远程医疗。其应用覆盖跨机构医疗数据共享、医疗物联网、疫情预测和远程医疗等领域，而包括完全耦合、灵活耦合和松散耦合在内的架构模型，则在效率、可扩展性和安全性之间提供了不同的权衡。

该综述称，这种整合可降低联邦系统中模型篡改、数据泄露以及激励不足等风险。综述还补充说，联邦学习允许各机构在不交换原始数据的情况下协同训练模型，而在处理个人数据时，必须满足HIPAA和GDPR等严格的法律与监管要求。尽管当前仍存在技术和实践层面的挑战，但综述认为，BCFL 在支持精准医疗、全球健康数据协作以及医疗保健领域大规模 AI 部署方面展现出强大潜力。