筆記內容來自隱語Mooc，歡迎一起來學習。Mooc課程地址：https://www.secretflow.org.cn/community/bootcamp/2narwgw4ub8r...

詳細案例及代碼，可以查看文末的鏈接。

學習筆記：新冠重病預測隱私計算案例

一、工具介紹：SecretNote

• 定位：專為隱語學習和隱私計算開發者設計的高級工具套件，以Notebook形式呈現。

• 功能特點：

  • 支持多節點代碼自動執行，支持多方代碼編寫與運行。
  • 提供類似Jupyter Notebook的交互式文件管理體驗。
  • 支持代碼運行狀態追蹤，便於調試與監控。
• 使用方式：可通過Docker啓動SecretFlow環境，避免環境配置問題。
• 適用場景：適用於學習與開發，不建議用於生產環境。

二、案例背景：新冠病毒重病預測

• 目標：醫療機構A（alice）與醫療機構B（bob）希望聯合構建一個預測模型，判斷COVID-19患者是否為重症高風險人羣，以優化醫療資源分配。
• 數據來源：Kaggle上的COVID-19數據集，包含1,048,575條樣本，本案例選取10,452條進行建模。

三、數據集説明

原始特徵（共21個字段）：

• DATE_DIED：生存狀態（標籤，處理後為y）
• USMER、MEDICAL_UNIT、SEX、PATIENT_TYPE、INTUBED、PNEUMONIA、AGE、PREGNANT
• DIABETES、COPD、ASTHMA、INMSUPR、HIPERTENSION、OTHER_DISEASE、CARDIOVASCULAR、OBESITY、RENAL_CHRONIC、TOBACCO、ICU

數據預處理：

• 標籤構造：將DATE_DIED二值化為y（0=存活，1=死亡）。
• 數據分割：將10,452條樣本水平切分給兩個參與方（alice與bob），模擬跨機構數據分佈。

四、技術實現要點

• 建模方式：使用橫向聯邦學習，確保數據不出本地即可聯合建模。
• 仿真環境：案例中使用SecretFlow仿真模式，模擬三個節點：alice、bob、server。
• 核心工具：結合SecretNote與SecretFlow實現隱私保護下的機器學習建模。

五、案例總結

• 本案例展示了隱私計算在醫療聯合建模中的實際應用。
• 通過聯邦學習技術，在保護數據隱私的前提下，提升了重症預測的準確性。
• 為醫療機構間安全數據協作提供了可行方案。

六、資源鏈接

• 案例模板：https://studio.secretflow.com/secretnote-case/6r80ic179t163w
• SecretFlow文檔：https://www.secretflow.org.cn/zh-CN/docs/secretflow/v1.10.0b1
• SecretFlow GitHub：https://github.com/secretflow/secretflow
• SecretNote GitHub：https://github.com/secretflow/secretnote
• 在線體驗環境：https://studio.secretflow.com/secretnote

説明：本案例為教學演示，重點在於理解隱私計算在醫療數據聯合建模中的應用流程與技術實現，實際生產環境中需結合具體業務與合規要求進行調整。