轻量级多类支向量基于机器的医疗诊断系统与隐私保护

科学领域:

• 计算机科学 计算机科学
• 医疗信息学 医疗信息学
• 网络安全 网络安全

背景情况:

• 机器学习,特别是支持向量机 (SVM),对于智能医疗保健和医学诊断至关重要.
• 将SVM模型外包到云服务器上引发了关于患者数据隐私和模型知识产权保护的重大担忧.
• 对于SVM诊断系统而言,现有的隐私保护方法往往会带来高额的计算/通信成本,并且可能无法完全保护分类结果或模型知识产权.

研究的目的:

• 解决多类SVM医疗诊断中的当前隐私保护技术的局限性.
• 开发一个新的框架,保护患者数据,并保护诊断模型的知识产权.
• 提高基于云计算的医疗保健服务中机器学习模型的安全性和隐私性.

主要方法:

• 修改了一个内部产品加密密码系统,并将其集成到多类SVM医疗诊断框架中.
• 与Paillier和多方计算密码学对比拟的加密系统的效率.
• 进行了全面的分析和实验来评估性能和安全性.

主要成果:

• 拟议的加密系统与现有方法 (如Paillier和多方计算) 相比,显示出更高的效率.
• 该框架成功实现了医疗诊断的安全和隐私目标.
• 保持高分类准确度,尽量减少通信和计算开销.

结论:

• 开发的隐私保护框架有效地保护基于SVM的诊断系统中的敏感医疗数据和知识产权.
• 该方法为基于云的机器学习应用提供了更高效,更安全的解决方案.
• 该方法可适应医疗保健以外的其他隐私敏感机器学习应用程序.