区块链支持的联合学习平台的架构设计,用于预测医疗保健中的算法公平性:设计科学研究研究

科学领域:

• 人工智能的人工智能
• 医疗信息学 医疗信息学
• 区块链技术 区块链技术

背景情况:

• 为医疗保健开发可通用的预测模型需要多样化的数据来缓解偏见并确保公平性.
• 一个关键的挑战是跨机构的模型培训,而不影响患者的隐私或引入当地偏见.

研究的目的:

• 调查用于预测医疗保健的机器学习中的偏见和公平性问题.
• 提出一个集成联合学习和区块链的软件架构,以提高公平性,保持准确性并最大限度地降低成本.

主要方法:

• 使用设计科学研究的代设计方法,涉及两个周期:用于减轻偏差的联合学习和去中心化架构.
• 在区块链授权的联合学习框架内开发一个偏见缓解过程.
• 使用 Aplos 智能合约,微服务,Rahasak 区块链和 Apache Cassandra 的实现.

主要成果:

• 通过改进的公平机制,证明了预测诊断的提高准确性.
• 成功模拟了5个医疗中心的隐私保护型号的联合培训,使用20,000个本地和1000个联合培训代.
• 验证了区块链集成联合学习方法的有效性.

结论:

• 解决了医疗保健预测偏差的技术挑战.
• 提出了一个创新的设计,用于一个公平意识的系统,使用联合学习,区块链和分布式架构.
• 展示了系统解决隐私,安全,准确性和可扩展性问题的能力,促进预测医疗保健中的公平与公平.