加密联合学习,以确保在癌症图像分析中进行安全的去中心化协作

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 由于隐私法规,癌症研究中的AI受到数据访问的限制.
• 联合和群体学习提供分散的培训,但通过重量更新风险数据泄露.
• 不值得信赖的服务器可能会通过模型反向或会员推断攻击来破坏隐私.

研究的目的:

• 为了证明第一次成功地实现一些同型的加密联合学习 (SHEFL) 癌症图像分析.
• 评估SHEFL的表现与地方和中央培训方法相比.
• 展示SHEFL在跨机构安全,协作AI模型开发方面的潜力.

主要方法:

• 实施SHEFL用于在多中心数据集上训练AI模型.
• 将SHEFL应用于放射学和组织病理学癌症图像分析中的临床相关任务.
• 加密重量转移和空间模型更新以保护数据隐私.

主要成果:

• 在多中心癌症图像数据集上,SHEFL成功启用了AI模型训练.
• 使用SHEFL训练的AI模型表现优于本地训练的模型.
• 经过SHEFL训练的模型的表现与中央训练的模型相比.

结论:

• 在瘤学中,SHEFL为保护隐私的协作人工智能培训提供了可行的解决方案.
• 这种方法允许多个机构共同培训AI模型,而不会影响数据治理.
• SHEFL 消除了可解密数据传输到不可信任的服务器,提高了安全性.