Marco de trabajo de aprendizaje federado seguro para la predicción colaborativa de diabetes en sistemas de atención...

Área de la Ciencia:

• Inteligencia Artificial en la Atención Médica
• Aprendizaje Automático Descentralizado
• Seguridad y Privacidad de los Datos de Salud

Sus antecedentes:

• Los modelos centralizados de aprendizaje automático para la predicción de la diabetes enfrentan desafíos con la privacidad de los datos, el cumplimiento normativo y la heterogeneidad en los datos de atención médica.
• Los enfoques existentes de aprendizaje federado (FL) luchan con la heterogeneidad de los datos, las vulnerabilidades de seguridad y la coordinación del sistema en entornos de atención médica descentralizados.
• El entrenamiento de modelos aislado limita la generalización y la efectividad debido a datos no independientes e idénticamente distribuidos (no IID) y restricciones computacionales variadas.

Objetivo del estudio:

• Desarrollar un marco seguro, escalable y que preserve la privacidad para la predicción de la diabetes mediante el aprendizaje federado (FL) integrado.
• Abordar la heterogeneidad de los datos, las distribuciones de datos no IID y las capacidades computacionales variables entre los diversos participantes de la atención médica.
• Mejorar la privacidad, la seguridad y la confianza de los datos en el entrenamiento colaborativo de modelos a través de la modelización de conjuntos, blockchain y la destilación de conocimiento.

Principales métodos:

• Se propuso FedEnTrust: un marco de aprendizaje de conjuntos federados que permite el entrenamiento colaborativo de modelos sin compartir datos brutos.
• Se utilizó la destilación de conocimiento con votación ponderada adaptativa para agregar las salidas de etiquetas blandas en un consenso global.
• Se implementaron contratos inteligentes habilitados para blockchain para el registro seguro y transparente de participantes, la asignación de roles y el control de acceso.

Principales resultados:

• Logró una precisión del 84,2% en la predicción de la diabetes, superando a los modelos descentralizados existentes y acercándose a los puntos de referencia de aprendizaje profundo centralizado.
• El contrato inteligente de blockchain demostró un éxito del 100% para las transacciones autorizadas y el rechazo de intentos no autorizados, garantizando una seguridad sólida.
• Se preservó la privacidad del paciente intercambiando exclusivamente metadatos del modelo, no datos brutos del paciente, con baja latencia de blockchain y costos de gas manejables.

Conclusiones:

• FedEnTrust proporciona una solución implementable y que preserva la privacidad para la predicción descentralizada de la atención médica al integrar FL, métodos de conjunto y blockchain.
• El marco equilibra eficazmente la precisión predictiva, la escalabilidad y el uso ético de los datos al tiempo que mejora la seguridad y la confianza.
• Se demostró la viabilidad de los sistemas seguros de conjuntos federados como alternativas prácticas a los modelos de IA centralizados en la atención médica del mundo real.