使用mapreduce私有区块链联合学习和XAI进行安全和可解释的肺癌预测模型
Khan Muhammad Adnan1, Taher M Ghazal2, Muhammad Saleem3
1Pattern Recognition and Machine Learning Lab, Faculty of Artificial Intelligence and Software, Gachon University, Seongnam-si, 13557, Republic of Korea.
Scientific reports
|October 13, 2025
概括
这项研究介绍了一种用于肺癌预测的新型AI模型,集成MapReduce,私有区块链,联合学习和可解释AI. 该模型实现了98.21%的准确性,提高了早期检测,并解决了医疗保健中的数据隐私和可解释性挑战.
科学领域:
- 在瘤学中使用人工智能
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 肺癌仍然是全球癌症死亡的主要原因.
- 有效的早期检测对于降低肺癌死亡率至关重要.
- 现有的预测模型面临挑战,包括高计算成本,数据隐私问题,有限的数据共享和缺乏可解释性.
研究的目的:
- 开发一种新的,集成的AI框架,用于准确和安全的肺癌预测.
- 克服传统预测模型在处理大数据集和确保数据隐私方面的局限性.
- 为了提高AI模型的可解释性,用于临床应用.
主要方法:
- 利用MapReduce进行大规模肺癌数据集的高效处理.
- 实现私有区块链,以实现安全,不可变和防改的患者数据管理.
- 员工联合学习 (FL) 能够实现跨机构的协作模式培训,而不会影响患者的隐私.
- 集成可解释的人工智能 (XAI) 以提高模型的透明度和临床医生的可信度.
主要成果:
- 拟议的综合框架在肺癌预测方面实现了98.21%的高精度.
- 显示显著低的失误率为1.79%.
- 在准确性,隐私保护,可扩展性和可解释性方面表现优于以前的方法.
结论:
- 这种新的AI模型为肺癌预测提供了一个安全,可解释和可扩展的解决方案.
- MapReduce,私人区块链,FL和XAI的整合为医疗保健中的AI设定了新的基准.
- 该模型的高性能和增强功能支持改善临床决策和患者结果.
