El uso de modelos de aprendizaje automático del lado del cliente para las predicciones de salud que preservan la...

Área de la Ciencia:

• Ciencias computacionales
• La informática médica
• Aprendizaje automático

Sus antecedentes:

• Los modelos tradicionales de aprendizaje automático centrado en el servidor (ML) y el aprendizaje profundo (DL) en el cuidado de la salud implican la transmisión de datos sensibles de los pacientes a servidores externos, lo que plantea riesgos significativos para la privacidad.
• Los marcos existentes como Flask facilitan el procesamiento del lado del servidor, destacando la necesidad de alternativas más seguras.

Objetivo del estudio:

• Demostrar un enfoque de preservación de la privacidad para ejecutar modelos de predicción de atención médica completamente dentro de un navegador web.
• Eliminar las preocupaciones de privacidad asociadas con la transmisión de datos en las aplicaciones tradicionales de ML/DL en el ámbito de la salud.

Principales métodos:

• Aprovechando las tecnologías ML / DL basadas en navegador, incluidos TensorFlow.js y ONNX Runtime Web.
• Implementar tres estrategias basadas en la complejidad del modelo: JavaScript directo para modelos simples, ONNX Runtime Web para modelos de complejidad media (por ejemplo, Bosque aleatorio) y TensorFlow.js para modelos complejos de aprendizaje profundo (por ejemplo, Redes neuronales convolucionales optimizadas).
• Asegurar que todos los cálculos se realicen en el lado del cliente en el dispositivo del usuario.

Principales resultados:

• El despliegue de modelos de predicción de la atención sanitaria por parte del cliente es factible y eficaz.
• Las métricas de rendimiento originales de los modelos se conservan durante la ejecución del lado del cliente.
• Se obtienen beneficios sustanciales de privacidad al mantener los datos de los pacientes localizados.

Conclusiones:

• Se garantiza que los datos del paciente permanezcan en el dispositivo del usuario, mitigando los riesgos de transmisión de datos.
• Este enfoque es particularmente ventajoso para los entornos de atención médica que priorizan la confidencialidad de los datos.
• El modelo de ejecución del lado del cliente también admite funcionalidad fuera de línea para aplicaciones de atención médica.