保护隐私的基于区块链的联合学习,用于大脑瘤细分
Rajesh Kumar1, Cobbinah M Bernard1, Aman Ullah1
1Yangtze Delta Region Institute (Huzhou), University of Electronic Science and Technology of China, Huzhou 313001, China.
Computers in biology and medicine
|June 2, 2024
概括
这项研究介绍了一种使用联合学习和区块链进行脑瘤细分的隐私保护框架. 它通过在医疗机构之间实现安全的数据共享来提高诊断准确性和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 数据安全 数据安全
背景情况:
- 脑瘤细分对于诊断和治疗至关重要,但受到数据隐私问题和模型信任问题的阻碍.
- 目前的数据共享方法受到健康信息的敏感性限制,阻止了协作模型培训.
- 由于瘤异质性,不规则的形状和可变的位置,精确的细分具有挑战性.
研究的目的:
- 为人工智能模型培训提出一个新的框架,解决医疗数据共享的隐私和信任挑战.
- 为了实现全球脑瘤细分模型的协作训练,而不会损害患者的隐私.
- 通过安全,分散的学习,提高脑瘤细分的准确性和可靠性.
主要方法:
- 实施联合学习方法,在多个机构中实现分散的模型培训.
- 集成许可区块链以安全共享加密模型参数和聚合梯度.
- 开发一种掩盖技术,在共享过程中保护单个模型参数的隐私.
主要成果:
- 拟议的区块链联合学习框架在脑瘤细分方面取得了显著的改善.
- 在增强瘤的Dice相似度系数中实现了1.99%的增加.
- 与基线方法相比,整体瘤的Hausdorff距离减少了19.08%.
结论:
- 该框架有效地解决了人工智能医疗数据共享的隐私和信任问题.
- 该方法提高了脑瘤细分模型的性能和可靠性.
- 能够实现协作式学习,使所有参与的医疗保健实体从改善诊断能力中受益.
