翼方健数张霖涛：隐私安全计算如何助力形成数据和计算互联网( 四 )

接下来跟大家分享一个具体的案例：一个城市级别的传染病多点触发和智能预警系统。这个系统很复杂，除了本身云端的一些工作之外，还有一些端方面的应用，比如哨点插件等会显示在医生终端。

这个系统跟人工智能有什么关系呢？我们是用人工智能模型来做传染病传播的预测。过去有很多预测传染病的方式，最常见的是疾病动力学的模型，把人归为几种类型，比如传染人群、健康人群和恢复人群。这类模型涉及一些参数，比如传染病的发病率和恢复率等。有了这些参数之后，我们就可以建立一个基于偏微分方程模型，也就可以利用这个模型预测传染病将来的发生。大家可能听说过一些名词，比如传染病的R0值，它就是疾病动力学模型中的一个重要参数。
现在深度学习能够处理更多的模型。因此，我们思考能不能利用人工智能和深度学习来做疾病的预测呢？我们和合作伙伴使用时空图卷积网络模型来做传染病预测。

大家知道神经网络需要使用很多数据，那么哪些数据会对疾病预测有意义呢？医疗健康数据是很重要的一点，比如医院里检测到多少人发烧和多少人生病，这些都很重要。除此之外，很多其他的数据对传染病的预测也非常重要，比如说药品销售。一个人生了病，他会跑到药店，先买退烧药，并没有去医院，这些数据就不会反映在医院的病人里。药店的数据存在什么地方呢？在政府医保局里面，因为买了药之后很多情况下需要报销。家庭信息也很重要，比如一对夫妻以及他们的子女都得了病，那么就可能是传染病。为了得到这些信息，需要他们的家庭关系以及居住地址，这些需要从民政局获取。同样地，如果同学聚集在一起并且好几个人都得了病，这也可能是传染病，这些信息需要从教育局获取。另外还有其他一些数据，比如天气、温度等公共数据，这些对于感冒有很大的影响。还有河流水量水文数据，这些对血吸虫等疾病有很大影响。还有搜索公司的一些数据，比如很多人生了病之后会到网站上搜自己发烧的原因等。最后还有人口迁移，病人迁移到其它地方，会将传染病带过去。总之，非常多的数据会影响疾控的预测，这些数据都分布在不同的地方。
因此，为了实现传染病的预测，我们建立了一个数据网络，最难的是如何得到这些数据。医疗和卫健委的数据是在一个XDP平台里，被称作「城市全民健康平台」，这是一个单独的平台。另外一个平台是「数据政务平台」，包括医保局、教育局和民政局的数据等。这两个系统都是用的翼方健数XDP平台，他们可以实现联邦。并且由于它们是政府机构，互相之间有信任，因而可以利用安全沙箱（成本相对较低）的机制来做计算。

但是还有很多数据，包括搜索和移动的数据，它们是在商业公司里。商业公司不愿意把自己数据拿出来。为了解决这个问题，我们采用了联邦学习，最后打通数据源，训练出了刚才所说的神经网络模型。通过更多深度学习模型能够利用的疾病相关的信息，传染病的预测准确度高了很多。目前，这个智能平台已经在一些城市实现了落地。