Desarrollo de un modelo de aprendizaje profundo que preserve la privacidad con encriptación homomórfica: un estudio...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Criptografía

Sus antecedentes:

• Los modelos de aprendizaje profundo son efectivos para analizar imágenes de TC de masas renales.
• Sin embargo, las preocupaciones de privacidad limitan el uso de datos sensibles de pacientes en estos modelos.
• La encriptación homomórfica ofrece una solución potencial para el análisis de preservación de la privacidad.

Objetivo del estudio:

• Evaluar la viabilidad técnica de la integración de la encriptación homomórfica en el aprendizaje profundo para el análisis de masa renal CT que preserva la privacidad.
• Evaluar el impacto del cifrado en el rendimiento de diagnóstico y las demandas computacionales.

Principales métodos:

• Desarrolló un sistema de aprendizaje profundo con tres fases: CNN de referencia (Ref-CNN), modificado para cifrado (Approx-CNN) y cifrado completamente homomórfico (HE-CNN) utilizando el esquema CKKS.
• Modelos entrenados y evaluados en 12.446 imágenes computarizadas de masas renales.
• Evaluación del rendimiento utilizando el área debajo de la curva de características de funcionamiento del receptor (AUC) y el área debajo de la curva de recuperación de precisión (AUPRC).

Principales resultados:

• Todos los modelos lograron una alta precisión de diagnóstico (AUC: 0.89- 0.99, AUPRC: 0.67- 0.99).
• Compromiso mínimo de rendimiento observado entre Ref-CNN y Approx-CNN.
• El cifrado homomórfico aumentó significativamente el almacenamiento (de 65 KB a 32 MB) y el tiempo de cálculo (50 min de CPU frente a 90 segundos de GPU).

Conclusiones:

• La inferencia de aprendizaje profundo que preserva la privacidad mediante cifrado homomórfico es técnicamente factible para la clasificación de la masa renal en las imágenes de TC.
• Se puede lograr un rendimiento de diagnóstico comparable con el cifrado de datos de extremo a extremo.
• Los aumentos significativos en los requisitos computacionales y de almacenamiento requieren una aceleración de hardware optimizada.