针对分布式医疗分析的多层加密学习

科学领域:

• 医疗信息学 医疗信息学
• 数据安全 数据安全
• 机器学习 机器学习

背景情况:

• 医疗物联网 (IoMT) 促进了持续的医疗数据收集,创造了数据丰富的环境.
• 跨系统的广泛数据分布引发了严重的隐私问题,特别是在集中数据聚合以进行分析期间.
• 现有的方法难以平衡强大的数据隐私与需要准确的分析洞察力.

研究的目的:

• 提出一种新的隐私保护框架,用于对加密数据的分布式医疗分析.
• 为了减轻大规模医疗数据处理中固有的数据泄露风险和隐私侵犯.
• 为了保持分析模型的准确性,同时确保严格的数据隐私.

主要方法:

• 实施分布式医疗分析的三层保护机制.
• 使用完全同型加密 (FHE) 来加密数据,使得在密码文本上进行计算.
• 开发一个支持代学习的分布式FHE框架和用于并行处理的分布式集合学习架构.

主要成果:

• 拟议的框架有效地保护了真实世界重症监护室 (ICU) 病例研究中的数据隐私.
• 在不影响数据安全的情况下保持分析模型性能.
• 保护隐私的框架实现了最高的准确率84.6%,超过了个别部门模型.

结论:

• 新的框架成功解决了与IoMT数据相关的隐私问题.
• 分布式FHE和集体学习为安全,协作式医疗分析提供了可行的解决方案.
• 这种方法避免了集中数据存储,提高了安全性,并使数据丰富的医疗保健环境中能够持续更新模型.