一个保护隐私的机器学习框架用于医疗图像分析,使用量子化完全连接的神经网络与基于TFHE的推理
Sadhana Selvakumar1, B Senthilkumar2
1Department of Electronics and Communication Engineering, KIT-Kalaignarkarunanidhi Institute of Technology, Coimbatore, Tamil Nadu, 641402, India. sadhana@ieee.org.
Scientific reports
|July 30, 2025
概括
这项研究引入了一种保护隐私的机器学习框架,用于安全的医疗图像分析. 它使用完全连接的神经网络与完全同态加密,实现高精度与最小的性能损失.
科学领域:
- 医疗图像分析 医学图像分析
- 深度学习是一种深度学习.
- 保护隐私的机器学习保护隐私
背景情况:
- 深度学习增强了医疗图像分析,用于医疗保健应用.
- 分享敏感的医疗数据进行分析,引发了严重的隐私问题.
- 现有的方法难以平衡数据隐私与分析准确性.
研究的目的:
- 开发一个保护隐私的机器学习 (PPML) 框架,用于安全的医疗图像分析.
- 为了利用完全同型加密 (FHE) 在分析过程中保持患者保密.
- 评估医疗数据集拟议框架的准确性和性能.
主要方法:
- 使用完全连接的神经网络 (FCNN) 开发了一个保护隐私的机器学习框架.
- 基于Toros的完全同型加密 (TFHE) 用于安全的数据推断.
- 量化意识培训优化了FCNN模型的FHE兼容性和性能.
- 在FHE约束下验证了FCNN模型,并编译成FHE兼容电路.
主要成果:
- 该PPML框架在纯文本中实现了88.2%的预测准确度,而在加密推理中达到87.5%.
- 平均推断时间为每张图像150毫秒.
- 在纯文本和加密推断之间观察到最小的性能降低.
结论:
- 拟议的PPML框架有效地使用FCNN和TFHE进行安全的医疗图像分析.
- 在加密推断过程中保持了高预测准确度,确保了患者的保密性.
- 这种方法为符合隐私的医疗数据分析提供了可行的解决方案.
