プライバシー保護スマートEHRシステムのための強化されたセキュアマルチパーティコンピューティングによるセキュア連合転移学習

科学分野:

• 人工知能
• 機械学習
• ヘルスケアインフォマティクス

背景:

• 電子カルテ（EHR）は個別化医療に不可欠ですが、プライバシーとセキュリティに関する重大な懸念を引き起こします。
• プライバシー要件とデータサイロにより、機関間での機密性の高い患者データの共有は困難です。
• 連合学習（FL）と人工知能（AI）はヘルスケアの進歩の可能性を提供しますが、堅牢なプライバシー保護手法が必要です。

研究 の 目的:

• スマートEHRシステムのために、セキュアマルチパーティコンピューティング（SMPC）と統合されたセキュア連合転移学習（SFTL）フレームワークを提案すること。
• 分散型患者データの協調的分析における重要なプライバシーおよびセキュリティの課題に対処すること。
• 個々の患者のプライバシーを侵害することなく、医療提供者が分散型EHRデータ上で機械学習モデルをトレーニングできるようにすること。

主な方法:

• セキュア連合転移学習（SFTL）アーキテクチャの開発。
• プライバシーを保護する統計計算とモデルパラメータ集約のためのセキュアマルチパーティコンピューティング（SMPC）の統合。
• 実世界のスマートEHRデータセットを使用したSFTL-SMPCフレームワークの評価。

主要な成果:

• SFTL-SMPCフレームワークは、データプライバシーとモデル精度のバランスを効果的に取ります。
• 提案手法は、従来の連合学習手法と比較して優れたパフォーマンスを示します。
• SFTL-SMPC実装は、包括的な分析において様々なセキュリティ脅威に対して回復力を示します。

結論:

• SFTL-SMPCフレームワークは、スマートEHRシステムにおけるプライバシー保護協調学習のための安全かつ効果的なソリューションを提供します。
• このアプローチは、安全なデータ利用を可能にすることにより、ヘルスケアにおけるAIの進歩を促進します。
• 本研究は、機密性の高い健康データ分析のためのSFTL-SMPCアーキテクチャの堅牢性と有効性を検証します。