可解释的联合学习方案,用于安全的医疗数据共享

科学领域:

• 人工智能的人工智能
• 聪明的医疗保健 智能医疗保健
• 数据安全 数据安全

背景情况:

• 庞大的医疗数据由可穿戴/可植入设备在身体区域网络中生成.
• 利用人工智能来利用这些数据对于推进智能医疗应用至关重要.
• 现有的方法在确保AI在医疗保健中的可解释性和安全性方面面临挑战.

研究的目的:

• 为智能医疗提供创新的联合学习 (FL) 计划.
• 解决人工智能驱动的医疗保健中可解释性和安全性的关键挑战.
• 为了使分散的医疗数据从身体区域网络的利用.

主要方法:

• 实施了一个FL方案,具有独立的联合建模和可解释性分析.
• 使用后期解释技术进行全球模型分析.
• 引入了客户私人梯度评估,以评估公平贡献.
• 提出了一个多服务器模型,具有同型的秘密共享和散列,以确保安全聚合.

主要成果:

• 实现了与集中培训相比的可解释性,而不会导致绩效下降.
• 通过梯度贡献评估证明了低质量的数据的有效过.
• 确保了强大的数据隐私和对恶意服务器的聚合正确性.
• 在实验结果中展示了竞争力的安全性和效率.

结论:

• 拟议的FL计划有效地平衡了智能医疗保健中的可解释性和安全性.
• 它提供了一个强大的解决方案,用于分析来自无线身体区域网络的敏感医疗数据.
• 这种方法释放了AI在智能医疗保健中的潜力,同时保护了患者的隐私.