Aprendizaje federado seguro con computación multipartita segura mejorada para sistemas inteligentes de HCE con...

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Informática de la Salud

Sus antecedentes:

• Los registros de salud electrónicos (HCE) son cruciales para la atención médica personalizada, pero plantean importantes preocupaciones de privacidad y seguridad.
• Compartir datos sensibles de pacientes entre instituciones es un desafío debido a los requisitos de privacidad y los silos de datos.
• El aprendizaje federado (FL) y la inteligencia artificial (IA) ofrecen potencial para avances en la atención médica, pero requieren métodos sólidos de preservación de la privacidad.

Objetivo del estudio:

• Proponer un marco de aprendizaje federado seguro (SFTL) integrado con computación multipartita segura (SMPC) para sistemas inteligentes de HCE.
• Abordar los desafíos críticos de privacidad y seguridad en el análisis colaborativo de datos de pacientes distribuidos.
• Permitir a los proveedores de atención médica entrenar modelos de aprendizaje automático en datos de HCE dispersos sin comprometer la privacidad individual del paciente.

Principales métodos:

• Desarrollo de una arquitectura de aprendizaje federado seguro (SFTL).
• Integración de la computación multipartita segura (SMPC) para cálculos estadísticos que preservan la privacidad y agregación de parámetros del modelo.
• Evaluación del marco SFTL-SMPC utilizando un conjunto de datos de HCE inteligentes del mundo real.

Principales resultados:

• El marco SFTL-SMPC equilibra eficazmente la privacidad de los datos y la precisión del modelo.
• El enfoque propuesto demuestra un rendimiento superior en comparación con los métodos tradicionales de aprendizaje federado.
• La implementación SFTL-SMPC muestra resiliencia contra diversas amenazas de seguridad en un análisis integral.

Conclusiones:

• El marco SFTL-SMPC proporciona una solución segura y eficaz para el aprendizaje colaborativo que preserva la privacidad en sistemas inteligentes de HCE.
• Este enfoque facilita el avance de la IA en la atención médica al permitir la utilización segura de datos.
• El estudio valida la solidez y eficacia de la arquitectura SFTL-SMPC para el análisis de datos de salud sensibles.