一个非互动的在线医疗预诊断系统,基于加密的垂直分区数据

科学领域:

• 医疗信息学 医疗信息学
• 密码学 密码学 密码学 密码学
• 机器学习 机器学习

背景情况:

• 医疗记录在各机构之间分散,阻碍了在线医疗预诊断 (OMPD) 系统的开发.
• 现有的OMPD联合学习方法涉及频繁的沟通,容易受到推断攻击.
• 医疗保健中的垂直数据碎片化给安全的合作模式带来了挑战.

研究的目的:

• 为OMPD系统提出一个安全和有效的框架,以克服垂直数据碎片化.
• 解决医疗数据隔离与合作模式培训需求之间的冲突.
• 提高OMPD系统的安全性和效率,同时保护患者数据隐私.

主要方法:

• 引入了PPNLR,这是一个结合功能加密和遮因素的安全框架.
• 开发样品特征维度加密和维护隐私的矢量化培训算法.
• 将样本计算与医院与云服务器之间单回合通信的模型培训脱.

主要成果:

• PPNLR对半诚实的推断和勾结攻击表现出抵抗力.
• 对六个现实世界医疗数据集的评估显示,推断准确度与集中式纯文本培训相当.
• 与现有方法相比,实现了至少3.6倍更高的计算效率,并显著降低了通信复杂性.

结论:

• PPNLR通过加密原始码确保数据保护,保持高诊断准确性和模型参数安全性.
• 单一通信架构降低了在资源有限的环境中部署障碍.
• PPNLR为构建OMPD系统提供了一个实用的,对隐私友好的框架.