プライバシー保護型ヘテロジニアスヘルスケアシステムにおける協調的糖尿病予測：セキュアな連合アンサンブルフレームワークのアルゴリズム開発と検証

科学分野:

• ヘルスケアにおける人工知能
• 分散型機械学習
• 健康データセキュリティとプライバシー

背景:

• 糖尿病予測における中央集権型機械学習モデルは、プライバシー、規制遵守、およびヘルスケアデータの異質性に関する課題に直面しています。
• 既存の連合学習（FL）アプローチは、分散型ヘルスケア環境におけるデータの異質性、セキュリティの脆弱性、およびシステム連携の課題に対処しています。
• モデルの孤立したトレーニングは、非独立同分布（non-IID）データと多様な計算制約による一般化と有効性の限界を制限します。

研究 の 目的:

• 統合された連合学習（FL）を使用して、糖尿病予測のための安全でスケーラブルなプライバシー保護型フレームワークを開発すること。
• 多様な医療参加者間でのデータの異質性、非IIDデータ分布、および計算能力のばらつきに対処すること。
• アンサンブルモデリング、ブロックチェーン、および知識蒸留を通じて、協調的なモデルトレーニングにおけるデータプライバシー、セキュリティ、および信頼性を高めること。

主な方法:

• 生のデータ共有なしに協調的なモデルトレーニングを可能にする、連合アンサンブル学習フレームワークであるFedEnTrustを提案しました。
• 知識蒸留と適応型重み付け投票を利用して、ソフトラベル出力をグローバルコンセンサスに集約しました。
• ブロックチェーン対応スマートコントラクトを実装し、参加者の登録、役割割り当て、およびアクセス制御を安全かつ透明に行いました。

主要な成果:

• 84.2%の糖尿病予測精度を達成し、既存の分散型モデルを上回り、中央集権型深層学習ベンチマークに迫る精度を示しました。
• ブロックチェーンスマートコントラクトは、承認されたトランザクションに対して100%の成功率を示し、不正な試みを拒否することで、堅牢なセキュリティを確保しました。
• 患者のプライバシーは、生の患者データではなく、モデルのメタデータのみを交換することで保護され、ブロックチェーンのレイテンシは低く、ガス料金も管理可能でした。

結論:

• FedEnTrustは、FL、アンサンブル手法、およびブロックチェーンを統合することにより、分散型ヘルスケア予測のための展開可能なプライバシー保護型ソリューションを提供します。
• このフレームワークは、予測精度、スケーラビリティ、および倫理的なデータ使用のバランスを効果的に取りながら、セキュリティと信頼性を高めます。
• 実世界のヘルスケアにおける中央集権型AIモデルの実際的な代替案として、セキュアな連合アンサンブルシステムの実行可能性を実証しました。