Artículo de investigación

Aprendizaje Federado Robusto Adversarial para la Predicción Segura del Riesgo de Mortalidad utilizando Historias Clínicas Electrónicas Multiinstitucionales (EHR)

DOI:

10.3791/69104

⸱

12 de mayo de 2026

 , 
1Parul University, 2SoA Deemed to be University

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio propone un modelo de Aprendizaje Federado Adversarial-Robusto (AR-FL) para la predicción del riesgo de mortalidad utilizando Historiales Electrónicos de Salud multiinstitucionales. El modelo integra entrenamiento adversarial min–max, atención consciente del dominio y agregación que preserva la privacidad para mejorar la robustez, adaptabilidad y confidencialidad de los datos, permitiendo un sistema de apoyo a la decisión clínica seguro, fiable y generalizable, adecuado para entornos sanitarios heterogéneos.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los Historiales Electrónicos de Salud (EHR) son la principal fuente de datos que permite la toma de decisiones clínicas basada en datos. Sin embargo, el carácter sensible de los EHR y las estrictas políticas de privacidad en el sector sanitario hacen que la formación centralizada de modelos sea difícil o imposible. Se propone un modelo de Aprendizaje Federado Adversarialmente Robusto (AR-FL) para predecir el riesgo de mortalidad de pacientes en diferentes instituciones sin compartir los datos originales del EHR. El objetivo principal de este estudio es introducir un procedimiento seguro, reproducible y escalable para entrenar modelos predictivos que preserven la privacidad y sean adversarialmente resilientes en diversos entornos clínicos. Este estudio emplea un enfoque de entrenamiento adversarial mínimo–máximo en cada institución para mejorar la robustez frente a perturbaciones en el peor caso. También se emplea un mecanismo de atención consciente del dominio para adaptarse dinámicamente a las diferencias en las distribuciones de características clínicas dentro de la institución. Para garantizar la confidencialidad, las actualizaciones del modelo se agrupan utilizando métodos de protección de la privacidad que bloquean la revelación de datos sensibles de pacientes durante la comunicación federada. Este estudio especifica todo el proceso, desde el preprocesamiento de datos y la generación de ejemplos adversariales hasta la formación local, la agregación segura y la evaluación global de modelos, permitiendo una implementación consistente en diversos entornos sanitarios. Las validaciones experimentales demuestran que el modelo AR-FL logra un rendimiento predictivo superior, robustez adversarial y generalización interinstitucional. Al establecer una cadena estandarizada de formación y evaluación, este estudio apoya el desarrollo de sistemas clínicos de apoyo a la decisión fiables y éticamente conformes.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El Aprendizaje Federado (FL) ha surgido como un paradigma transformador para la analítica sanitaria que preserva la privacidad, al permitir la formación colaborativa de modelos a través de datos descentralizados de historias clínicas electrónicas (EHR) sin compartir información en bruto de los pacientes. Este enfoque mitiga los estancos de datos y las restricciones regulatorias, al tiempo que mejora el rendimiento predictivo en tareas como la predicción de mortalidad. Sin embargo, a pesar de estas ventajas, los sistemas FL siguen siendo vulnerables a ataques adversariales y de envenenamiento. La Figura 1 ilustra la arquitectura colaborativa y el flujo de trabajo del aprendizaje federado entre instituciones clínicas distribuidas.

figure-introduction-1
Figura 1: Arquitectura genérica de aprendizaje federado y aplicaciones de imagen médica. Esta figura ilustra el flujo de trabajo estándar de aprendizaje federado, mostrando almacenamiento descentralizado de datos, entrenamiento local de modelos y agregación segura en el lado del servidor, junto con sus aplicaciones en el análisis de imagen médica. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Los avances recientes en la analítica sanitaria ponen de manifiesto la eficacia de los modelos de aprendizaje profundo para procesar datos de EHR a gran escala. Investigacionesprevias 1 demostraron que el aprendizaje profundo puede lograr predicciones precisas y escalables utilizando datos clínicos en bruto. Además, Miotto et al.2 han revisado las oportunidades y desafíos más amplios asociados con el despliegue del aprendizaje profundo en los sistemas sanitarios. Además, innovaciones específicas de dominio comoClinicalBERT 3 han mejorado la comprensión de textos clínicos y las capacidades predictivas, mientras que conjuntos de datos de referencia como MIMIC-III4, MIMIC-IV5 y eICU6 han permitido evaluaciones reproducibles y a gran escala en investigación en cuidados críticos.

El aprendizaje federado ha ganado una atención significativa como solución para habilitar la analítica colaborativa en salud sin comprometer la privacidad de los datos. Los estudiosexistentes 7,8 han debatido su papel en el desarrollo de la salud digital, junto con los desafíos asociados y cuestiones de investigación abierta. Además, el aprendizaje federado ha demostrado aplicabilidad práctica en escenarios sanitarios reales, incluyendo la colaboración multiinstitucional9 y la predicción de resultados clínicos para pacientes conCOVID-19 10. Sin embargo, desafíos como la heterogeneidad de los datos siguen siendo significativos. Para abordar esto, se han propuesto estrategias de optimización para entornos heterogéneos11 y enfoques como FedBN12, que utiliza la normalización local por lotes, para mejorar la convergencia y generalización de modelos.

La seguridad y la solidez en el aprendizaje federado se han convertido en preocupaciones críticas debido a la creciente exposición a amenazas adversariales. El concepto de ejemplosadversariales 13 reveló que pequeñas perturbaciones pueden engañar a los modelos de aprendizaje profundo con alta confianza. En entornos federados, estas vulnerabilidades se ven agravadas por amenazas como ataques porbackdoor 14 y envenenamiento por modelos. Para abordar estos riesgos, se han propuesto enfoques de aprendizaje federado agrupado resiliente al adversario y técnicas robustas de optimización basadas en el entrenamientoadversarial 15,16. Además, se han desarrollado marcos de comunicación seguros que integran gradient boosting y modelosLSTM 17 para mitigar ataques man-in-the-middle. Al mismo tiempo, arquitecturas avanzadas como DBAFL 18,19 buscan defenderse contra ataques de envenenamiento en entornos distribuidos.

La preservación de la privacidad sigue siendo un requisito fundamental en los sistemas sanitarios federados. Los modelos entrenados colaborativamente pueden filtrar información sensible mediante ataques basados en GAN, lo que pone de manifiesto los riesgos inherentes a la privacidad20. Para mitigar estos problemas, se han introducido los protocolos de agregación segura21 y las técnicas diferenciales de privacidad22 para garantizar la confidencialidad en el aprendizaje distribuido. Además, se han propuesto soluciones basadas en blockchain23,24 para la gestión segura de EHR y el intercambio de datos, con estudiosadicionales 25,26,27,28 que amplían estos enfoques para mejorar la interoperabilidad, seguridad y eficiencia en los sistemas sanitarios.

El rápido avance de la inteligencia artificial en la sanidad también ha dado lugar al desarrollo de modelos híbridos inteligentes y sistemas integrados que mejoran el rendimiento predictivo y la toma de decisiones. Estudios previos también han tratado el papel transformador de la IA en la medicina29 y los ataques adversariales y mecanismos de defensa en sistemas de aprendizajeautomático 29,30.

A pesar de estos avances, la investigación existente sigue fragmentada. Muchos modelos de aprendizaje federado no incorporan la robustez adversarial, lo que los hace susceptibles a ataques. Además, la heterogeneidad de los dominios a menudo no se aborda de forma suficiente, lo que limita la generalización entre instituciones. Los mecanismos que preservan la privacidad suelen implementarse de forma aislada, sin integración con estrategias de robustez y adaptación de dominio, lo que resulta en sistemas de IA sanitaria incompletos y menos fiables. Para abordar estas limitaciones, este artículo propone un marco integrado de Aprendizaje Federado Robusto Adversarial que combina entrenamiento adversarial, mecanismos de atención conscientes del dominio y agregación segura. El enfoque propuesto mejora la robustez frente a ataques, mejora la adaptabilidad en entornos clínicos heterogéneos y garantiza la privacidad de los datos de los pacientes, proporcionando así una solución integral para aplicaciones sanitarias multiinstitucionales en el mundo real.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Metodología propuesta
El modelo propuesto de Aprendizaje Federado Adversarialmente Robusto (AR-FL) tiene como objetivo predecir el riesgo de mortalidad de los pacientes de forma segura y colaborativa entre diferentes instituciones sanitarias, protegiendo la privacidad de los datos y haciendo que el sistema sea resistente a perturbaciones adversariales. El despliegue incluye cuatro elementos principales: (1) la estructura de Aprendizaje Federado, (2) el entrenamiento adversarial basado en optimización mínima y optimización, (3) el mecanismo de atención consciente del dominio y (4) la agregación de parámetros que preserva la privacidad. La metodología se ejecuta en un flujo sistemático designado para el aprendizaje federado robusto adversarial para estimar el riesgo de mortalidad. El proceso, representado en la Figura 2, comienza con la adquisición de datos en numerosas instituciones sanitarias, seguida del preprocesamiento de datos para estandarizar características y gestionar valores faltantes. Un modelo global se crea inicialmente por un servidor central y luego se envía a todas las instituciones sanitarias. El entrenamiento adversarial local tiene lugar dentro de las instituciones sanitarias, aumentando la robustez del modelo ante perturbaciones y permitiendo adaptarlo a datos específicos de un dominio. Tras el entrenamiento, los parámetros de los modelos locales se entregan de forma segura al servidor mediante agregación segura de parámetros. El servidor incorpora estas contribuciones locales del modelo para actualizar el modelo global. Este proceso se repite varias veces en una optimización iterativa para facilitar el refinamiento colaborativo del modelo. Como resultado, el modelo se evalúa rigurosamente utilizando referencias clínicas que evalúan su rendimiento predictivo, robustez adversarial y generalización entre instituciones.

figure-protocol-1
Figura 2: Modelo AR-FL propuesto. Esta figura presenta la arquitectura general del modelo propuesto de Aprendizaje Federado Adversarial-Robusto, incluyendo entrenamiento adversarial, atención consciente del dominio y agregación segura que preserva la privacidad. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Recogida de datos
Para este estudio, se utilizan dos conjuntos de datos de Historial Electrónico de Salud (EHR) de acceso público: MIMIC-III4 y la Base de Datos de InvestigaciónColaborativa de la eICU 6. MIMIC-III ofrece más de 40.000 ingresos en UCI desde un único hospital importante, mientras que los datos de UCI electrónica comprenden más de 200.000 estancias en UCI en varios hospitales de EE. UU. La demografía de los pacientes, mediciones clínicas, resultados de análisis de laboratorio, eventos registrados y resultados registrados en estos flujos de datos los hacen muy atractivos para la tarea de predicción del riesgo de mortalidad. Los conjuntos de datos de EHR se dividen en diferentes partes para formar un entorno de aprendizaje federado multiinstitucional realista; cada parte representa un hospital o institución diferente. El método recoge diferencias entre instituciones en cuanto a características de los pacientes, protocolos clínicos, estilos de documentación y disponibilidad de datos. Cada institución simulada solo puede acceder a su propio subconjunto de datos y no comparte ningún registro en bruto con el servidor central ni con ningún otro cliente participante. Este enfoque garantiza el pleno cumplimiento de los principios de preservación de la privacidad mientras simula simultáneamente las limitaciones reales de la cooperación interhospitalaria. Las etiquetas de mortalidad se extraen de los campos de resultados indicados en los conjuntos de datos, por ejemplo, indicadores de mortalidad hospitalaria. Estas etiquetas actúan como objetivos de predicción para el modelo de aprendizaje federado. Por tanto, cada institución mantiene su propio conjunto local de registros de características de los pacientes asociados con los resultados de mortalidad, permitiendo un entrenamiento descentralizado del modelo sin revelar información sensible de los pacientes.

Preprocesamiento de datos
Cada institución procesa de forma independiente sus datos locales de EHR antes de que comience el entrenamiento del modelo. Dado que el aprendizaje federado no permite compartir datos a nivel de paciente ni siquiera estadísticas resumidas entre las instituciones participantes, todos los pasos de preprocesamiento se realizan localmente en cada institución y se basan únicamente en la información del conjunto de datos de dicha institución. El flujo de preprocesamiento consta de algunos pasos cruciales. Al principio, se normalizan variables clínicas numéricas como signos vitales, resultados de pruebas de laboratorio y mediciones fisiológicas para eliminar diferencias en rangos de valores y estabilizar la convergencia del modelo. Los datos locales de cada institución son la única fuente para calcular las estadísticas utilizadas en la normalización. A continuación, atributos categóricos como género, tipo de admisión o categorías diagnósticas se convierten en representaciones numéricas mediante métodos como la codificación one-hot o mapeos específicos de la institución. Por tanto, el modelo federado puede manejar datos categóricos sin necesidad de diccionarios de codificación compartidos ni tablas de referencia interinstitucionales. Tercero, los datos faltantes, que son comunes en conjuntos de datos clínicos, se gestionan mediante técnicas de imputación local. Dependiendo del tipo de característica y el contexto clínico, las instituciones pueden recurrir a la imputación de medias, el relleno directo basado en observaciones previas o incluso reemplazos clínicos basados en reglas. Dado que cada institución realiza la imputación de forma independiente, no se requieren metadatos externos ni parámetros compartidos de imputación. Siguiendo estos procedimientos, cada institución puede crear un conjunto de datos completo de características procesadas junto con los resultados de mortalidad asociados. Los conjuntos de datos locales se utilizan entonces como entrada para el entrenamiento del modelo federado. A lo largo de toda la cadena de preprocesamiento, no se transmiten datos en bruto, estadísticas derivadas ni resultados intermedios fuera de la institución, garantizando el estricto cumplimiento de prácticas de gestión de datos que preservan la privacidad.

Inicialización del modelo
Sea K {1, 2,..., K} el conjunto de instituciones (clientes) implicadas, donde cada institución posee un conjunto de datos local. figure-protocol-2{ figure-protocol-3 donde figure-protocol-4 representa las características de entrada del EHR y figure-protocol-5 Es la etiqueta de mortalidad asociada (binaria o categórica). Un modelo figure-protocol-6 global se entrena colaborativamente entre todos los clientes, donde θ son los parámetros compartidos del modelo.

El proceso sigue el protocolo estándar de Promediado Federado (FedAvg):
El servidor central inicializa los parámetros globales figure-protocol-7 y los emite. Cada cliente k∈K realiza entrenamiento local usando sus datos y actualiza el modelo a figure-protocol-8 . El servidor combina las actualizaciones tomando la media ponderada:

figure-protocol-9figure-protocol-10, donde n =figure-protocol-11

El procedimiento de inicialización del servidor central y los pasos de entrenamiento local continúan para las rondas globales de comunicación T.

Entrenamiento adversarial local (optimización Min–Max)
Para mejorar la robustez, cada cliente realiza entrenamiento adversarial en su centro local. En lugar de minimizar el riesgo empírico con datos limpios, los clientes se enfrentan a un problema de min-max:

figure-protocol-12(x+δ),y)

L: Función de pérdida
δ: Perturbación adversarial restringida por figure-protocol-13
S: Espacio de amenaza adversarial
figure-protocol-14(x+δ): Predicción bajo entrada perturbada

En el momento de cada época local, se crean muestras adversariales utilizando el Descenso de Gradiente Proyectado (PGD) o el Método de Signo de Gradiente Rápido (FGSM). Después, el entrenamiento del modelo continúa con estas muestras para aumentar su robustez.

Mecanismo de atención consciente del dominio
Los datos de los Historiales Electrónicos de Salud (EHR) de distintas instituciones pueden variar mucho en cuanto a distribución de datos, semántica de características y prácticas clínicas. Para abordar este problema, el modelo AR-FL incorpora un módulo de atención específico de dominio en su modelo.

Sea figure-protocol-15 figure-protocol-16 el vector de entrada de la institución k. Los pesos figure-protocol-17 de atención para cada característica j∈ {1..., d} se calculan como:

figure-protocol-18=figure-protocol-19

donde son los pesos de atención entrenables. La entrada se vuelve a ponderar como:

figure-protocol-20

A través de este mecanismo, el modelo puede enfatizar características importantes para la práctica clínica según la naturaleza de los datos utilizados por la institución, aumentando así su adaptabilidad e interpretabilidad.

Agregación de parámetros que preservan la privacidad
AR-FL utiliza agregación muy segura junto con técnicas diferenciales de privacidad si es necesario para mantener el máximo nivel de privacidad durante la comunicación. Agregación segura: Los usuarios cifran sus actualizaciones de modelo de tal manera que el servidor solo puede calcular el total, pero no las contribuciones separadas.

Privacidad diferencial: Añade ruido a las actualizaciones de modelos:

figure-protocol-21

Donde σ controla el equilibrio entre privacidad y precisión.

Durante las actualizaciones distribuidas, estos enfoques aseguran que los datos privados de los pacientes o la información institucional no corran riesgo de filtrarse.

Actualización global del modelo
Una vez completada la fase de entrenamiento local en cada institución, el servidor central recopila las actualizaciones de modelo enviadas por el cliente. Estas actualizaciones consisten únicamente en cambios en los parámetros del modelo y no incluyen datos en bruto del paciente ni representaciones intermedias de características. Para fusionar el conocimiento adquirido de las distintas instituciones, el servidor aplica el método de Promediado Federado (FedAvg). En este proceso, el servidor calcula una media ponderada de los modelos locales basada en la cantidad de datos disponibles en cada institución. Las instituciones que contribuyen con conjuntos de datos más amplios tienen una influencia proporcionalmente mayor en el modelo global actualizado. Debido a que las actualizaciones se transmitieron mediante técnicas de agregación segura, el servidor no puede visualizar ni aislar los parámetros de ninguna institución individual. Más bien, el servidor recibe solo una representación combinada cifrada o protegida por privacidad. Esto garantiza la confidencialidad del proceso de formación y la destrucción de cualquier patrón específico de la institución o característica de los pacientes que pudiera haber sido detectada. Tras calcular la actualización agregada, el servidor prepara un nuevo modelo global que representa el conocimiento total adquirido de todas las instituciones colaboradoras en esa ronda de comunicación. El nuevo modelo global se envía entonces a todas las instituciones para que comience la siguiente ronda de formación adversarial local.

Optimización iterativa
El aprendizaje federado es un proceso en varias etapas que implica varias rondas de comunicación. Cada ronda consiste en el entrenamiento del modelo local, el envío seguro de actualizaciones, la agregación global y la posterior distribución del modelo mejorado a los participantes. Las rondas repetidas ayudan al modelo a avanzar gradualmente hacia una solución robusta y estable. Durante estas rondas, cada organización aporta su conocimiento sobre su población de pacientes, creando así un modelo capaz de identificar patrones clínicos en diferentes contextos. Cabe señalar que el entrenamiento adversarial y el mecanismo de atención consciente del dominio a veces se implementan mediante entrenamiento local en cada ronda. Así, el modelo se está refinando constantemente y su capacidad para combatir ataques adversarios crece, mientras que su capacidad para adaptarse a diferentes distribuciones de características entre instituciones mejora. Mediante la optimización iterativa, el modelo no solo mejora su rendimiento de generalización, sino que también se vuelve cada vez más tolerante al desequilibrio de datos, la variación institucional y los entornos adversariales. El procedimiento se lleva a cabo hasta que se alcanza un número preestablecido de rondas de comunicación o hasta que el modelo global indica una convergencia estable.

Evaluación
Al final de todas las rondas de comunicación, el modelo global final se evalúa exhaustivamente utilizando conjuntos de pruebas extendidos derivados de los conjuntos de datos de los participantes. Dado que estos conjuntos de prueba no se utilizan para el entrenamiento de modelos, proporcionan una medida justa e imparcial del rendimiento del modelo. La efectividad del modelo se evalúa mediante el cálculo de diferentes métricas desde varios ángulos. La precisión limpia evalúa la situación en la que existen condiciones normales. Mide la corrección del modelo para predecir los resultados de mortalidad. En cambio, la precisión adversarial estima hasta qué punto el modelo puede mantener su rendimiento incluso cuando los datos de entrada se alteran de manera adversarial. El área bajo la curva de características de operación receptor (ROC) (AUC-ROC) ofrece una visión sobre la competencia del modelo para distinguir entre pacientes vivos y fallecidos. La puntuación F1 sirve como indicador de la relación precisión-recuerdo, que es especialmente significativa para conjuntos de datos clínicos desequilibrados. La brecha de generalización revela la disparidad en el rendimiento entre distintas instituciones, demostrando así la versatilidad del modelo para adaptarse a diversas fuentes de datos. El riesgo de privacidad se cuantifica finalmente mediante el uso de ataques adversariales simulados, que determinan si la agregación segura y la privacidad diferencial opcional son, de hecho, eficaces para proteger la confidencialidad del paciente. Todas estas métricas de evaluación juntas ofrecen una visión completa del poder predictivo del modelo, su resistencia a ataques adversariales, la estabilidad entre diferentes instituciones y el cumplimiento de los requisitos de preservación de la privacidad. El Algoritmo 1 (Archivo Suplementario 1) a continuación muestra el Aprendizaje Federado Robusto Adversarial (AR-FL) para la predicción del riesgo de mortalidad.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El modelo AR-FL se probó en dos conjuntos de datos de historiales electrónicos de salud (EHR) multiinstitucionales y desidentificados públicamente: el MIMIC-III y la Base de Datos de Investigación Colaborativa de la eICU, que incluyen una variedad de historiales de pacientes en UCI con resultados de mortalidad hospitalaria. El conjunto de datos se distribuyó entre escenarios hospitalarios simulados que representaban las diferencias reales entre instituciones en cuanto a las característic...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este artículo presenta un modelo de Aprendizaje Federado Adversarial-Robusto (AR-FL) destinado a mejorar la predicción del riesgo de mortalidad utilizando Historiales Electrónicos de Salud (EHR) multiinstitucionales, mejorando la precisión, la robustez y la generalizabilidad. El estudio revela que incorporar el entrenamiento adversarial en el entorno federado beneficiará significativamente al modelo al hacerlo más resistente a las perturbaciones de entrada y a la variabilidad del dominio...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no declaran intereses en competencia.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Adam OptimizerPyTorchhttps://pytorch.org/docs/stable/generated/torch.optim.Adam.htmlOptimización
Kit de herramientas CUDANVIDIAhttps://developer.nvidia.com/cuda-toolkitVersión 11.8; Aceleración GPU
Biblioteca de privacidad diferencialOpacushttps://opacus.aiVersión 1.3.0; Formación basada en DP para preservar la privacidad
Base de Datos de Investigación Colaborativa eICUPhysioNethttps://physionet.org/content/eicu-crd/2.0/Datos de EHR de pacientes en UCI
MIMIC-IIIPhysioNethttps://physionet.org/content/mimiciii/1.4/Datos de EHR de pacientes en UCI
Guion de Ataque PGDGitHubhttps://github.com/Saswati-C/AR-FL-HERVersión: commit-hash; Generación de ejemplos adversariales
PyTorchPyTorch.orghttps://pytorch.orgVersión 2.0; Implementación y entrenamiento de modelos
Tesla V100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/v100/Formación en modelos

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Rajkomar, A., et al. Scalable and accurate deep learning with electronic health records. npj Digit Med. 1 (1), 18(2018).
  2. Miotto, R., Wang, F., Wang, S., Jiang, X., Dudley, J. T. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 19 (6), 1236-1246 (2018).
  3. Huang, K., Altosaar, J., Ranganath, R. ClinicalBERT: modeling clinical notes and predicting hospital readmission. J Biomed Inform. 126, 103983(2022).
  4. Johnson, A. E. W., et al. MIMIC-III, a freely accessible critical care database. Sci Data. 3, 160035(2016).
  5. Johnson, A. E. W., et al. MIMIC-IV: a freely accessible electronic health record dataset. Sci Data. 10, 1(2021).
  6. Pollard, T., et al. eICU collaborative research database (version 2.0). PhysioNet. , (2019).
  7. Rieke, N., et al. The future of digital health with federated learning. npj Digit Med. 3 (1), 119(2020).
  8. Kairouz, P., et al. Advances and open problems in federated learning. Found Trends Mach Learn. 14 (1-2), 1-210 (2021).
  9. Sheller, M. J., et al. Federated learning in medicine: facilitating multi-institutional collaborations without sharing patient data. Sci Rep. 10 (1), 12598(2020).
  10. Dayan, I., et al. Federated learning for predicting clinical outcomes in patients with COVID-19. Nat Med. 27 (10), 1735-1743 (2021).
  11. Li, T., Sahu, A. K., Talwalkar, A., Smith, V. Federated optimization in heterogeneous networks. MLSys. 2, 429-450 (2020).
  12. Li, X., et al. FedBN: federated learning on non-IID features via local batch normalization. arXiv. , 2102.07623(2021).
  13. Goodfellow, I., Shlens, J., Szegedy, C. Explaining and harnessing adversarial examples. arXiv. , 1412.6572(2015).
  14. Bagdasaryan, E., et al. How to backdoor federated learning. Proceedings of the Twenty Third International Conference on Artificial Intelligence and Statistics, PMLR, 108, 2938-2948 (2020).
  15. Melhem, A., et al. Adversary-resilient clustered federated learning for secure AI-driven healthcare data analytics. Int Wireless Commun Mob Comput (IWCMC), , (2025).
  16. Madry, A., et al. Towards deep learning models resistant to adversarial attacks. arXiv. , 1706.06083(2018).
  17. Satpathy, S., et al. Enhancing security: federated learning against man-in-the-middle threats with gradient boosting machines and LSTM. 2024 IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Niagara Falls, ON, Canada, , (2024).
  18. Finlayson, S. G., et al. Adversarial attacks on medical machine learning. Science. 363 (6433), 1287-1289 (2019).
  19. Xie, C., et al. DBAFL: towards robust federated learning in the presence of model poisoning attacks. NeurIPS. 33, 14034-14045 (2020).
  20. Hitaj, B., Ateniese, G., Perez-Cruz, F. Deep models under the GAN: information leakage from collaborative deep learning. CCS '17: Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, , (2017).
  21. Bonawitz, K., et al. Practical secure aggregation for privacy-preserving machine learning. CCS '17: Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, , (2017).
  22. Dwork, C., Roth, A. The algorithmic foundations of differential privacy. Found Trends Theor Comput Sci. 9 (3-4), 211-407 (2014).
  23. Sonkamble, R. G., et al. Survey of interoperability in electronic health records management and proposed blockchain-based framework: MyBlockEHR. IEEE Access. 9, 158367-158401 (2021).
  24. Nguyen, D. C., Pathirana, P. N., Ding, M., Seneviratne, A. Blockchain for secure EHRs sharing of mobile cloud-based e-health systems. IEEE Access. 7 (1), 66792-66806 (2019).
  25. Mamun, A. A., Azam, S., Gritti, C. Blockchain-based electronic health records management: a comprehensive review and future research direction. IEEE Access. 10, 5768-5789 (2022).
  26. Tang, F., Ma, S., Xiang, Y., Lin, C. An efficient authentication scheme for blockchain-based electronic health records. IEEE Access. 7 (1), 41678-41689 (2019).
  27. Ghayvat, H., et al. CP-BDHCA: blockchain-based confidentiality-privacy preserving big data scheme for healthcare clouds and applications. IEEE J Biomed Health Inform. 26 (5), 1937-1948 (2022).
  28. Li, F., Liu, K., Zhang, L., Huang, S., Wu, Q. EHRChain: a blockchain-based EHR system using attribute-based and homomorphic cryptosystem. IEEE Trans Serv Comput. 15 (5), 2755-2766 (2022).
  29. Rajpurkar, P., Chen, E., Banerjee, O., Topol, E. J. AI in health and medicine. Nat Med. 28, 31-38 (2022).
  30. Goldblum, M., et al. Adversarial attacks and defenses in machine learning: an overview. IEEE Signal Process Mag. 37 (3), 31-43 (2020).
  31. Shanmugam, K., Saha, A., Venkatasubramanian, S. Federated adversarial training: a framework for robust distributed machine learning. NeurIPS Workshop Federated Learning, , Available from: https://proceedings.neurips.cc/paper_files/paper/2021 (2021).
  32. McDermott, M. B. A., et al. Reproducibility in machine learning for health. Nat Med. 27 (1), 83-86 (2021).
  33. Mohassel, P., Zhang, Y. SecureML: a system for scalable privacy-preserving machine learning. 2017 IEEE Symposium on Security and Privacy (SP), San Jose, CA, USA, , (2017).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Entrenamiento AdversarioModelos de Preservaci n de la PrivacidadAgregaci n SeguraSoporte para la Toma de Decisiones Cl nicasAtenci n Consciente del DominioGeneralizaci n InterinstitucionalRobustez de Modelos Predictivos

Artículos relacionados