Seguridad federada para la preservación de la privacidad de los datos de atención médica en entornos de nube de borde

Área de la Ciencia:

• Informática de la salud
• Ciberseguridad
• Inteligencia artificial

Sus antecedentes:

• La transformación digital en el cuidado de la salud aumenta los riesgos de privacidad de los datos de los pacientes.
• Las soluciones de aprendizaje automático como servicio (MLaaS) de terceros plantean desafíos de privacidad.
• El cumplimiento normativo (HIPAA, GDPR) es una preocupación importante para los datos de atención médica.

Objetivo del estudio:

• Proponer un enfoque descentralizado que preserve la privacidad para la capacitación de modelos de IA en el cuidado de la salud.
• Integrar el aprendizaje federado (FL) con el cifrado homomórfico (HE) para el entrenamiento de modelos seguros.
• Introducir el nuevo marco de ajuste adaptativo para el aprendizaje federado basado en encriptación homomórfica (HEAT-FL).

Principales métodos:

• Utilizando el aprendizaje federado (FL) para el modelo de formación descentralizada.
• Implementación del cifrado homomórfico (HE) con el esquema CKKS para cifrar los parámetros del modelo.
• Desarrollo de un mecanismo de ajuste adaptativo (HEAT-FL) para los parámetros de cifrado basado en la sensibilidad de la capa del modelo.

Principales resultados:

• El marco HEAT-FL garantiza que los parámetros del modelo permanezcan protegidos durante la agregación segura.
• El cifrado adaptativo mejora la eficiencia del tiempo de ejecución manteniendo la seguridad.
• Se observó una reducción significativa en el tiempo de encriptación: 56,5% para 10 pacientes y 54,6% para 4 pacientes por época en comparación con los métodos no adaptativos.

Conclusiones:

• El marco HEAT-FL propuesto ofrece una solución segura y eficiente para la capacitación de modelos de IA que preservan la privacidad en la atención médica.
• La selección de parámetros de encriptación adaptativa equilibra la seguridad y el rendimiento en tiempo de ejecución.
• Este enfoque aborda los desafíos críticos de privacidad de datos en la transformación de la atención médica digital.