在医疗领域，数据是 AI 发展的重要基础。

一张 CT 影像、一份检验报告、一段病历记录，都可能帮助人工智能提升疾病识别和辅助诊断能力。但这些数据也包含大量个人隐私信息。

如何在不随意转移患者原始医疗数据的前提下，利用远端更强大的 GPU 算力？如何让医院与智算中心协同训练，又尽可能降低数据泄露风险？

一种值得探索的方案，是分拆学习加 OTN 光传输。分拆学习把模型计算任务分配到医院本地和远端智算中心，OTN 光传输系统连接两端，为跨地域协同计算提供专用传输通道。

这套方案横跨人工智能、隐私保护和光传输网络三个领域。下面分六个方面，讲它的工作原理、网络架构、安全措施与应用价值。

为什么要保护医疗数据的隐私？

医疗数据与普通业务数据不同，它可能包含患者身份、病史、检查结果、用药记录，甚至基因信息。

如果这些数据被未经授权地访问或泄露，不仅可能侵犯患者隐私，还可能造成长期的社会和个人影响。

AI 模型的训练往往需要大量不同类型的医疗数据。单家医院的数据规模、病例结构和疾病分布都可能存在局限，多家机构协同训练有助于提高模型的适用性。

这就产生了一个现实矛盾：

• 数据需要参与计算，才能发挥价值。
• 原始数据又不能因为计算需求而被随意转移。

医疗 AI 不能只考虑算力是否充足，还必须考虑数据如何使用、如何流动，以及谁有权访问。

解决这个问题，并不一定需要把所有数据集中到一个地方。通过合理设计模型结构、计算流程和网络连接，可以让不同机构在保留本地数据的同时，探索跨机构协作。

**原始数据不离开医院是一项架构目标，并不自动意味着整个系统绝对安全。**中间特征、模型参数和计算结果也可能泄露敏感信息，仍需配合相应的安全措施。

什么是分拆学习？

分拆学习（Split Learning）是一种将神经网络计算拆分到不同计算节点执行的机器学习方法。

做法是把一个完整的 AI 模型拆成前后两部分：前半部分在医院本地运行，后半部分在远端智算中心运行。

医院不必把完整的原始医疗数据直接发送到远端，而是先在本地完成部分计算，再把中间特征传给远端，继续完成后续计算。

分拆学习如何工作？

以医院训练肺部影像识别模型为例。

第一步：本地数据处理。

医院在自己的服务器上读取 CT 影像，完成必要的数据预处理，并输入本地神经网络。

第二步：提取中间特征。

本地模型运行前几层，将原始影像转换成中间特征。这些特征供后续模型继续计算，但不能简单地视为已经完全匿名化。

第三步：远端继续计算。

医院将中间特征传送到远端智算中心，由 GPU 集群运行模型后半部分，计算预测结果或训练所需的信息。

第四步：结果或梯度返回。

在推理场景中，远端可以返回预测结果；在训练场景中，远端还可能将梯度传回医院，帮助本地模型完成反向传播和参数更新。

经过反复迭代，两端可以共同完成模型训练。

为什么这种方式有助于保护隐私？

与直接将全部原始影像集中上传相比，分拆学习减少了原始数据直接离开医院的需要。

**但分拆学习并不保证中间特征绝对安全。**实际系统还应结合传输加密、访问控制、隐私风险评估等措施，必要时采用差分隐私或其他隐私增强技术。

分拆学习与联邦学习也不是同一种方法：分拆学习通常在计算过程中交换中间特征和梯度；联邦学习则通常由各机构在本地训练一段时间，再交换模型更新。两种方式可以结合，但应根据实际任务选择。

为什么选择 OTN 光传输？

模型拆分后，医院本地算力与远端智算中心需要频繁交换中间特征、梯度或预测结果。

如果两端距离较远，网络就不再只是普通的文件传输通道，而会直接影响训练效率和计算资源利用率。

对于固定医院与固定智算中心之间的互联，可以考虑采用 OTN 专用光传输通道。

OTN，即光传送网，是一种面向大容量传输的光网络技术。它可以承载符合接口规范的 Ethernet 等客户信号，为两端提供专用传输容量。

网络架构是什么样的？

本文讨论的方案是：两端路由器通过运营商 OTN 光传输系统直接互联，不经过运营商提供的 IP 承载网。

整个数据路径可以理解为：

医院本地服务器 → 医院侧路由器 → OTN 专用传输通道 → 远端路由器 → 智算中心 GPU 集群。

在这个架构中：

• 医院侧路由器负责本地业务接入与 IP 转发。
• OTN 负责两端之间的光传输和通道资源保障。
• 远端路由器负责将数据转发至对应的智算资源。

这里的"不经过运营商 IP 网络"，是指运营商中间承载路径不采用 IP 路由转发，并不意味着两端不再使用 IP 协议。

OTN 能带来哪些优势？

专用带宽。可以根据训练任务的实际通信量规划通道容量，降低共享网络拥塞对可用带宽的影响。

可预测的传输性能。专用通道有利于减少共享 IP 承载网拥塞带来的时延波动，但实际时延仍受光纤距离、传输设备和两端处理能力影响。

传输隔离。可以通过专用 OTN 通道划分传输资源，减少与其他业务共享承载资源带来的不确定性。

可设计的保护能力。根据业务等级规划双路由光缆、OTN 保护及两端设备切换，提升整体连接的可靠性。

不过，**OTN 解决的是传输资源、隔离和可靠性问题，并不能单独保证医疗数据的隐私安全。**端到端加密、身份认证和访问控制仍然必不可少。

对两端传输性能有什么要求？

分拆学习的特点是本地计算和远端计算相互配合，网络性能可能直接影响训练效率。

例如，远端完成一部分计算后，如果必须等待梯度返回才能继续下一步，那么网络时延就可能转化为 GPU 等待时间。

网络设计不能只关注端口带宽，还应同时考虑时延、抖动、丢包率和可用性。

下面给出一组可用于前期规划和测试的参考目标。这些数值不是适用于所有系统的行业统一标准，最终需要根据模型规模、节点距离、训练流程和实测结果确定。

上述指标应通过端到端测试验证，不能仅凭 OTN 设备的技术参数判断。

为什么带宽与时延要一起看？

假设一项训练任务需要频繁传输中间特征。即使链路带宽很高，如果每次通信都要等待较长时间，GPU 仍可能因等待数据而降低利用率。

反过来，如果网络时延很低，但带宽不足，大量中间特征仍可能排队传输。

实际测试至少应包括：

• 忙时和闲时的有效吞吐；
• 单向时延、RTT 以及 P95、P99 时延；
• 满载情况下的抖动和丢包；
• 链路中断、保护倒换和故障恢复时的业务表现；
• 真实模型训练时的 GPU 利用率与任务完成时间。

只有把网络指标与训练效果联系起来，才能判断这条 OTN 通道是否真正满足业务需求。

如何保障安全与可靠？

采用分拆学习和 OTN 专用通道，并不意味着可以忽略其他安全问题。

完整的安全体系应覆盖数据处理、网络传输、访问控制和应用计算等多个层面。

数据层：尽量减少原始数据外传

原始病历、医学影像和身份信息按照医院的数据管理要求保存在本地。

医院应明确哪些数据可以用于训练、哪些信息允许传输，以及中间特征需要满足什么安全要求。

传输层：保护通信过程

OTN 专用通道可以提供传输资源隔离，但仍应根据安全要求部署端到端加密、身份认证、密钥管理和数据完整性校验。

专用光通道并不等同于加密通道，也不能仅凭物理隔离就认定数据不会被窃听或篡改。

网络层：限制访问范围

通过访问控制、网络分区、路由策略和安全监测，限制能够访问远端计算资源的设备与业务。

同时，应避免训练任务获得超出需要的本地数据访问权限。

应用层：保护模型和计算任务

对远端任务进行身份验证、权限控制和审计，限制模型输入、输出和中间结果的使用范围。

对于可能通过梯度或中间特征推断患者信息的风险，还可以根据具体模型评估安全聚合、差分隐私等技术。

OTN 专用传输、分拆学习和应用层安全机制各司其职，不能相互替代。

真正的医疗数据安全，需要同时考虑数据是否外传、传输过程是否受保护，以及远端任务是否有权访问不该访问的信息。

实际应用场景有哪些？

在数据治理、模型设计和网络条件满足要求的前提下，这类架构可以探索多种医疗 AI 应用。

场景一：多中心医学影像分析

不同医院保留自己的 CT、MRI 等医学影像数据，在本地完成部分模型计算，再利用远端算力参与协同训练。

这有助于减少原始影像集中传输的需要，并为多机构协作提供技术基础。

场景二：疾病预测与辅助诊断

医院可以结合自身临床数据与远端模型计算能力，探索疾病风险预测、影像辅助识别等应用。

模型最终能否用于实际临床决策，仍需要经过严格的临床验证，不能因为使用了更多数据或更强算力就直接认定效果更好。

场景三：药物研发与基因组分析

药物研发和基因组研究涉及大量敏感数据及复杂计算。通过合理拆分计算任务，可以探索在减少原始数据转移的前提下使用远端 GPU 资源。

具体实施仍需根据数据敏感程度、研究协议和适用法规进行安全评估。

场景四：区域医疗 AI 协作

区域医疗中心可以与基层医疗机构建立协作关系，让部分模型计算任务由远端智算中心承担。

对于缺少大型 GPU 集群的机构，这种方式有望降低本地算力建设压力，同时保留必要的数据管理边界。

上述场景是技术应用方向，并不代表所有场景都已经实现规模化商用。采用分拆学习还是联邦学习，应根据实际任务进行选择。

结语：让数据尽可能留在本地，让算力跨越距离

医疗 AI 的发展，不只是模型能力和 GPU 数量的竞争，也涉及如何安全地使用数据，以及如何让分布在不同地点的算力有效协作。

分拆学习让模型计算可以在本地与远端之间分工；OTN 为固定节点之间提供可规划的专用光传输通道；加密、访问控制和隐私增强技术，则进一步保护数据及计算过程。

这三者结合，为医疗机构探索跨地域 AI 协作提供了一种值得验证的技术路径。

数据在可控的边界内流动，算力在专用网络上协作。安全这件事，要贯穿从数据处理到模型训练的全过程。

医疗 AI 需要这样的技术选择，未来的算力互联网络，同样要认真考虑这个方向。

本文为技术科普，不构成医疗数据合规或网络安全认证意见。实际部署应根据适用法规、医疗机构的数据治理要求、模型隐私风险和端到端网络测试结果制定方案。