医院医疗数据如何安全地用于 AI 训练？分拆学习 + OTN 光传输，让算力连接更安全

Wed, 21 Oct 2026 12:00:00 +0800

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。

指标	初步规划参考	主要作用
带宽	可从 100GE 起评估，大规模训练可考虑 400GE 或更高容量	支撑中间特征、梯度等数据交换
单向时延	根据光纤距离和设备处理时延实测；同城场景可先以 10 ms 以内作为验证目标	影响远端计算交互效率
RTT 往返时延	可先以 20 ms 以内作为部分训练场景的验证目标	影响前向、反向通信和同步等待
抖动	高性能场景可将 P95 与 P50 的差值不超过 1 ms 作为初始测试目标	减少时延波动
丢包率	可将不高于 0.01% 作为初始验收目标，并按业务要求调整	降低重传和吞吐下降风险
网络可用性	重要生产业务可从 99.99% 的目标进行评估	降低故障对训练任务的影响

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。

医疗 on 红旗下的蛋