Articolo di ricerca

Apprendimento Federato Robusto Adversariale per una Previsione Siccura del Rischio di Mortalità utilizzando Cartelle Cliniche Elettroniche Multiistituzionali (EHR)

DOI:

10.3791/69104

⸱

12 maggio 2026

 , 
1Parul University, 2SoA Deemed to be University

In questo articolo

Sommario

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

Questo studio propone un modello Adversarial-Robust Federated Learning (AR-FL) per la previsione del rischio di mortalità utilizzando Cartelle Cliniche Elettroniche multiistituzionali. Il modello integra addestramento avversario min–max, attenzione consapevoli del dominio e aggregazione che preserva la privacy per migliorare robustezza, adattabilità e riservatezza dei dati, consentendo un sistema di supporto alle decisioni cliniche sicuro, affidabile e generalizzabile, adatto a ambienti sanitari eterogenei.

Abstract

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

Le cartelle cliniche elettroniche (EHR) sono la principale fonte di dati che consente decisioni cliniche basate sui dati. Tuttavia, il carattere sensibile degli EHR e le rigide politiche di privacy nel settore sanitario rendono difficile o impossibile la formazione centralizzata dei modelli. Viene proposto un modello Adversarially Robust Federated Learning (AR-FL) per prevedere il rischio di mortalità dei pazienti tra diverse istituzioni senza condividere i dati originali dell'EHR. L'obiettivo principale di questo studio è introdurre una procedura sicura, riproducibile e scalabile per addestrare modelli predittivi che preservano la privacy e sono avversari in contesti clinici diversi. Questo studio adotta un approccio di addestramento avversario min–max in ogni istituzione per migliorare la robustezza contro le perturbazioni nel caso peggiore. Viene inoltre impiegato un meccanismo di attenzione consapevole del dominio per adattarsi dinamicamente alle differenze nelle distribuzioni delle caratteristiche cliniche all'interno dell'istituzione. Per garantire la riservatezza, gli aggiornamenti del modello vengono aggregati utilizzando metodi a tutela della privacy che bloccano la rivelazione di dati sensibili dei pazienti durante la comunicazione federata. Questo studio specifica l'intero processo, dalla preelaborazione dei dati e generazione di esempi avversari fino all'addestramento locale, aggregazione sicura e valutazione globale dei modelli, consentendo un'implementazione coerente in vari ambienti sanitari. Le validazioni sperimentali dimostrano che il modello AR-FL raggiunge prestazioni predittive superiori, robustezza avversaria e generalizzazione interistituzionale. Attraverso l'istituzione di una pipeline standardizzata di formazione e valutazione, questo studio supporta lo sviluppo di sistemi di supporto alle decisioni clinici affidabili e eticamente conformi.

Introduzione

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

Federated Learning (FL) è emerso come un paradigma trasformativo per l'analisi sanitaria che preserva la privacy, consentendo la formazione collaborativa su modelli su dati di cartelle cliniche elettroniche decentralizzate (EHR) senza condividere informazioni grezze dei pazienti. Questo approccio mitiga i silos dei dati e i vincoli normativi, migliorando al contempo le prestazioni predittive in compiti come la previsione della mortalità. Tuttavia, nonostante questi vantaggi, i sistemi FL rimangono vulnerabili agli attacchi avversariali e avvelenanti. La Figura 1 illustra l'architettura collaborativa e il flusso di lavoro dell'apprendimento federato tra le istituzioni cliniche distribuite.

figure-introduction-1
Figura 1: Architettura di apprendimento federata generica e applicazioni di imaging medico. Questa figura illustra il flusso di lavoro standard di apprendimento federato, mostrando l'archiviazione decentralizzata dei dati, l'addestramento locale dei modelli e l'aggregazione sicura lato server, insieme alle sue applicazioni nell'analisi di imaging medico. Clicca qui per visualizzare una versione più grande di questa figura.

I recenti progressi nell'analisi sanitaria evidenziano l'efficacia dei modelli di deep learning nell'elaborazione di dati EHR su larga scala. Ricercheprecedenti 1 hanno dimostrato che il deep learning può ottenere previsioni accurate e scalabili utilizzando dati clinici grezzi. Inoltre, Miotto et al.2 hanno esaminato le opportunità e le sfide più ampie associate all'implementazione del deep learning nei sistemi sanitari. Inoltre, innovazioni specifiche per dominio comeClinicalBERT 3 hanno migliorato la comprensione del testo clinico e le capacità predittive, mentre i dataset di riferimento come MIMIC-III4, MIMIC-IV5 edeICU 6 hanno permesso valutazioni riproducibili e su larga scala nella ricerca in terapia intensiva.

L'apprendimento federato ha ricevuto notevole attenzione come soluzione per abilitare l'analisi sanitaria collaborativa senza compromettere la privacy dei dati. Gli studi esistenti 7,8 hanno discusso il suo ruolo nello sviluppo della salute digitale, insieme alle sfide associate e alle questioni di ricerca aperta. Inoltre, l'apprendimento federato ha dimostrato applicabilità pratica in scenari sanitari reali, inclusa la collaborazione multi-istituzionale9 e la previsione degli esiti clinici per i pazientiCOVID-19 10. Tuttavia, sfide come l'eterogeneità dei dati restano significative. Per affrontare questo problema, sono state proposte strategie di ottimizzazione per ambientieterogenei 11 e approcci come FedBN12, che utilizza la normalizzazione locale batch, per migliorare la convergenza e la generalizzazione dei modelli.

La sicurezza e la robustezza nell'apprendimento federato sono diventate preoccupazioni critiche a causa dell'esposizione crescente a minacce avversarie. Il concetto di esempiavversariali 13 ha rivelato che piccole perturbazioni possono fuorviare i modelli di deep learning con alta fiducia. In contesti federati, queste vulnerabilità sono aggravate da minacce come gli attacchi backdoor14 e l'avvelenamento di modelli. Per affrontare questi rischi, sono stati proposti approcci di apprendimento federato clustered resilienti all'avversario e tecniche di ottimizzazione robuste basate sull'addestramento avversario15,16. Inoltre, sono stati sviluppati sistemi di comunicazione sicura che integrano gradient boosting e modelliLSTM 17 per mitigare gli attacchi man-in-the-middle. Allo stesso tempo, architetture avanzate come DBAFL 18,19 mirano a difendersi dagli attacchi di avvelenamento in ambienti distribuiti.

La tutela della privacy rimane un requisito fondamentale nei sistemi sanitari federati. I modelli addestrati collaborativamente possono far trapelare informazioni sensibili tramite attacchi basati su GAN, evidenziando rischi intrinseci per la privacy20. Per mitigare tali problemi, sono stati introdotti i protocolli di aggregazione sicura21 e le tecniche di privacydifferenziale 22 per garantire la riservatezza nell'apprendimento distribuito. Inoltre, sono state proposte soluzioni basate su blockchain23,24 per la gestione sicura degli EHR e la condivisione dei dati, con ulteriori studi 25,26,27,28 che estendono questi approcci per migliorare l'interoperabilità, la sicurezza e l'efficienza nei sistemi sanitari.

Il rapido progresso dell'intelligenza artificiale nella sanità ha anche portato allo sviluppo di modelli intelligenti ibridi e sistemi integrati che migliorano le prestazioni predittive e il processo decisionale. Studi precedenti hanno anche discusso il ruolo trasformativo dell'IA in medicina29 e gli attacchi avversariali e i meccanismi di difesa nei sistemi di machinelearning 29,30.

Nonostante questi progressi, la ricerca esistente rimane frammentata. Molti modelli di apprendimento federato non incorporano la robustezza avversaria, rendendoli vulnerabili agli attacchi. Inoltre, l'eterogeneità del dominio è spesso insufficientemente affrontata, limitando la generalizzazione tra le istituzioni. I meccanismi di salvaguardia della privacy sono spesso implementati in isolamento, senza integrazione con strategie di robustezza e adattamento del dominio, risultando in sistemi di IA sanitaria incompleti e meno affidabili. Per affrontare queste limitazioni, questo articolo propone un framework integrato di Apprendimento Federato Robusto Adversariale che combina addestramento avversario, meccanismi di attenzione consapevoli del dominio e aggregazione sicura. L'approccio proposto migliora la robustezza contro gli attacchi, migliora l'adattabilità in ambienti clinici eterogenei e garantisce la privacy dei dati dei pazienti, fornendo così una soluzione completa per applicazioni sanitarie multiistituzionali reali.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Metodologia proposta
Il modello proposto Adversarially Robust Federated Learning (AR-FL) mira a prevedere il rischio di mortalità dei pazienti in modo sicuro e collaborativo tra diverse istituzioni sanitarie, proteggendo la privacy dei dati e rendendo il sistema resiliente alle perturbazioni avversarie. La distribuzione include quattro elementi principali: (1) la struttura di Apprendimento Federato, (2) l'addestramento avversario basato sull'ottimizzazione minima, (3) il meccanismo di attenzione consapevole del dominio e (4) l'aggregazione dei parametri che preserva la privacy. La metodologia viene eseguita in un flusso sistematico designato per l'apprendimento federato robusto e avversario per stimare il rischio di mortalità. Il processo, raffigurato nella Figura 2, inizia con l'acquisizione dati da numerose istituzioni sanitarie, seguita dalla preelaborazione dei dati per standardizzare le funzionalità e gestire i valori mancanti. Un modello globale viene inizialmente creato da un server centrale e poi inviato a ogni istituzione sanitaria. L'addestramento avversario locale avviene all'interno delle istituzioni sanitarie, aumentando la robustezza del modello alle perturbazioni permettendogli al contempo di adattarlo a dati specifici di dominio. Dopo l'addestramento, i parametri dei modelli locali vengono consegnati in modo sicuro al server tramite aggregazione sicura dei parametri. Il server incorpora questi contributi locali al modello per aggiornare il modello globale. Questo processo si ripete più volte in un'ottimizzazione iterativa per facilitare il perfezionamento collaborativo del modello. Di conseguenza, il modello viene valutato rigorosamente utilizzando benchmark clinici che ne valutano le prestazioni predittive, la robustezza avversaria e la generalizzazione tra istituzioni.

figure-protocol-1
Figura 2: Modello AR-FL proposto. Questa figura presenta l'architettura complessiva del modello proposto di Apprendimento Federato Adversarial-Robusto, inclusi l'addestramento avversario, l'attenzione consapevole del dominio e l'aggregazione sicura che preserva la privacy. Clicca qui per visualizzare una versione più grande di questa figura.

Raccolta dati
Per questo studio sono utilizzati due dataset di cartelle cliniche elettroniche (EHR) accessibili al pubblico: MIMIC-III4 e il database collaborativo di ricercaeICU 6. MIMIC-III fornisce oltre 40.000 ricoveri in terapia intensiva da un singolo ospedale principale, mentre i dati delle eICU comprendono oltre 200.000 ricoveri in terapia intensiva provenienti da vari ospedali negli Stati Uniti. La demografia dei pazienti, le misurazioni cliniche, i risultati degli esami di laboratorio, gli eventi tracciati e gli esiti registrati in questi flussi di dati li rendono molto attraenti per il compito di previsione del rischio di mortalità. I dataset EHR sono ciascuno suddiviso in diverse parti per formare un ambiente di apprendimento federato multiistituzionale realistico; ogni parte rappresenta un ospedale o un'istituzione diversa. Il metodo cattura differenze tra le istituzioni nelle caratteristiche dei pazienti, nei protocolli clinici, negli stili di documentazione e nella disponibilità dei dati. Ogni istituzione simulata può accedere solo al proprio sottoinsieme di dati e non condivide alcun record grezzo con il server centrale o con altri client partecipanti. Questo approccio garantisce la piena conformità ai principi di salvaguardia della privacy, simulando al contempo i limiti reali della cooperazione interospedaliera. Le etichette di mortalità vengono estratte dai campi di esito indicati nei dataset, ad esempio gli indicatori di mortalità ospedaliera. Queste etichette fungono da obiettivi di previsione per il modello di apprendimento federato. Ogni istituzione mantiene così il proprio insieme locale di registrazioni delle caratteristiche dei pazienti associate agli esiti di mortalità, consentendo un addestramento decentralizzato dei modelli senza rivelare informazioni sensibili dei pazienti.

Preprocessing dei dati
Ogni istituzione elabora in modo indipendente i propri dati EHR locali prima che inizi l'addestramento al modello. Poiché l'apprendimento federato non consente la condivisione di dati a livello di paziente o anche di statistiche riassuntive tra le istituzioni partecipanti, tutti i passaggi di pre-elaborazione vengono eseguiti localmente in ciascuna istituzione e si basano solo sulle informazioni contenute nel dataset di quell'istituzione. Il flusso di preprocessing consiste in alcuni passaggi cruciali. All'inizio, le variabili cliniche numeriche come segni vitali, risultati di test di laboratorio e misurazioni fisiologiche vengono normalizzate per eliminare differenze negli intervalli di valori e stabilizzare la convergenza del modello. I dati locali di ogni istituzione sono l'unica fonte per calcolare le statistiche utilizzate per la normalizzazione. Successivamente, attributi categorici come genere, tipo di ammissione o categorie diagnostiche vengono convertiti in rappresentazioni numeriche utilizzando metodi come la codifica one-hot o mappe specifiche per istituzioni. Pertanto, il modello federato può gestire dati categorici senza la necessità di dizionari di codifica condivisi o tabelle di riferimento interistituzionali. In terzo luogo, i dati mancanti, comuni nei dataset clinici, vengono gestiti utilizzando tecniche di imputazione locale. A seconda del tipo di caratteristica e del contesto clinico, le istituzioni possono ricorrere all'imputazione media, all'invio basato su osservazioni precedenti o persino a sostituzioni cliniche basate su regole. Poiché ogni istituzione esegue l'imputazione in modo indipendente, non sono necessari metadati esterni o parametri di imputazione condivisi. Seguendo queste procedure, ogni istituzione è in grado di creare un dataset completo di funzionalità elaborate insieme agli esiti di mortalità associati. I dataset locali vengono poi utilizzati come input per l'addestramento del modello federato. Durante tutta la pipeline di pre-elaborazione, nessun dato grezzo, statistica derivata o output intermedi viene trasmesso all'esterno dell'istituzione, garantendo la rigorosa adesione a pratiche di gestione dei dati che preservano la privacy.

Inizializzazione del modello
Sia K {1, 2,..., K} la collezione di istituzioni (clienti) coinvolte, dove ogni istituzione possiede un dataset locale. figure-protocol-2{ figure-protocol-3 dove figure-protocol-4 rappresenta le caratteristiche EHR in ingresso e figure-protocol-5 È l'etichetta di mortalità associata (binaria o categorica). Un modello figure-protocol-6 globale viene addestrato collaborativamente tra tutti i clienti, dove θ sono i parametri condivisi del modello.

Il processo segue il protocollo standard Federated Averaging (FedAvg):
Il server centrale inizializza i parametri globali figure-protocol-7 e li trasmette. Ogni client k∈K esegue addestramento locale utilizzando i propri dati e aggiorna il modello a figure-protocol-8 . Il server combina gli aggiornamenti prendendo la media ponderata:

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

La procedura di inizializzazione del server centrale e i passaggi di addestramento locali prosegueno per T round di comunicazione globale.

Addestramento locale avversario (ottimizzazione Min–Max)
Per migliorare la robustezza, ogni cliente conduce un addestramento avversario presso il proprio centro locale. Invece di minimizzare il rischio empirico sui dati puliti, i clienti si impegnano in un problema min-max:

figure-protocol-12(x+δ),y)

L: Funzione di perdita
δ: Perturbazione avversaria vincolata da figure-protocol-13
S: Spazio di minaccia avversario
figure-protocol-14(x+δ): Previsione sotto input perturbato

Al momento di ogni epoca locale, vengono creati campioni avversali utilizzando il Projected Gradient Descent (PGD) o il Fast Gradient Sign Method (FGSM). Successivamente, l'addestramento del modello procede con questi campioni per aumentarne la robustezza.

Meccanismo di attenzione consapevole del dominio
I dati delle cartelle cliniche elettroniche (EHR) provenienti da diverse istituzioni possono variare notevolmente in termini di distribuzione dei dati, semantica delle caratteristiche e pratiche cliniche. Per affrontare questo problema, il modello AR-FL incorpora un modulo di attenzione specifico per dominio nel suo modello.

Sia figure-protocol-15 figure-protocol-16 il vettore di ingresso dall'istituzione k. I pesi figure-protocol-17 di attenzione per ogni caratteristica j∈ {1..., d} sono calcolati come:

figure-protocol-18=figure-protocol-19

dove sono i pesi di attenzione addestrabili. L'ingresso viene ripestato come:

figure-protocol-20

Attraverso questo meccanismo, il modello è in grado di enfatizzare caratteristiche importanti per la pratica clinica in base alla natura dei dati utilizzati dall'istituzione, aumentando così la sua adattabilità e interpretabilità.

Aggregazione dei parametri che preservano la privacy
L'AR-FL utilizza un'aggregazione molto sicura insieme a tecniche di privacy differenziale se necessario, per mantenere il massimo livello di privacy durante la comunicazione. Aggregazione Sicura: Gli utenti criptano gli aggiornamenti dei modelli in modo che il server possa calcolare solo il totale e non i contributi separati.

Privacy differenziale: Aggiunge rumore agli aggiornamenti dei modelli:

figure-protocol-21

Dove σ controlla il compromesso tra privacy e accuratezza.

Durante gli aggiornamenti distribuiti, questi approcci garantiscono che i dati privati dei pazienti o le informazioni istituzionali non siano a rischio di trapelata.

Aggiornamento globale del modello
Una volta completata la fase di formazione locale in ogni istituzione, il server centrale raccoglie gli aggiornamenti del modello inviati dal client. Questi aggiornamenti consistono esclusivamente in modifiche ai parametri del modello e non includono dati grezzi dei pazienti o rappresentazioni intermedie di caratteristiche. Per unire le conoscenze acquisite dalle varie istituzioni, il server applica il metodo Federated Averaging (FedAvg). In questo processo, il server calcola una media ponderata dei modelli locali in base alla quantità di dati disponibili in ciascuna istituzione. Le istituzioni che contribuiscono con dataset più ampi hanno un'influenza proporzionalmente maggiore sul modello globale aggiornato. Poiché gli aggiornamenti sono stati trasmessi utilizzando tecniche di aggregazione sicura, il server non può visualizzare o isolare i parametri di nessuna singola istituzione. Piuttosto, il server riceve solo una rappresentazione combinata criptata o protetta dalla privacy. Questo garantisce la riservatezza del processo formativo e la distruzione di eventuali modelli specifici dell'istituzione o caratteristiche del paziente che potrebbero essere state rilevate. Dopo aver calcolato l'aggiornamento aggregato, il server prepara un nuovo modello globale che rappresenta la conoscenza totale acquisita da tutte le istituzioni collaboratrici in quel round di comunicazione. Il nuovo modello globale viene poi inviato a ogni istituzione per iniziare il prossimo ciclo di addestramento locale ad avversario.

Ottimizzazione iterativa
L'apprendimento federato è un processo a più fasi che coinvolge diversi round di comunicazione. Ogni round consiste nell'addestramento del modello locale, nell'invio sicuro degli aggiornamenti, nell'aggregazione globale e nella successiva distribuzione del modello migliorato ai partecipanti. I round ripetuti aiutano il modello a muoversi gradualmente verso una soluzione robusta e stabile. Durante questi round, ogni organizzazione porta con sé la propria conoscenza della propria popolazione di pazienti, creando così un modello in grado di identificare i modelli clinici in diversi contesti. Va notato che l'addestramento avversario e il meccanismo di attenzione consapevole del dominio vengono talvolta implementati tramite addestramento locale in ogni round. Così, il modello viene costantemente perfezionato e la sua capacità di contrastare attacchi avversari cresce, mentre la sua capacità di adattarsi a diverse distribuzioni di caratteristiche tra le istituzioni migliora. Attraverso l'ottimizzazione iterativa, il modello non solo migliora le sue prestazioni di generalizzazione, ma diventa anche sempre più tollerante allo squilibrio dei dati, alla variazione istituzionale e agli ambienti avversari. La procedura viene eseguita fino a raggiungere un numero prestabilito di round di comunicazione o finché il modello globale indica una convergenza stabile.

Valutazione
Al termine di tutti i round di comunicazione, il modello globale finale viene valutato a fondo utilizzando set di test sostenuti derivati dai dataset dei partecipanti. Poiché questi set di test non sono utilizzati per l'addestramento del modello, forniscono una misura equa e imparziale delle prestazioni del modello. L'efficacia del modello viene valutata attraverso il calcolo di diverse metriche da diverse angolazioni. La precisione pulita valuta la situazione in cui sono presenti condizioni normali. Misura la corretta precisione del modello nella previsione degli esiti di mortalità. Al contrario, l'accuratezza avversaria stima fino a che punto il modello sia in grado di mantenere le proprie prestazioni anche quando i dati di input vengono alterati in modo avversario. L'area sotto la curva della caratteristica operativa del ricevitore (ROC) (AUC-ROC) fornisce una panoramica sulla competenza del modello nel distinguere tra pazienti vivi e deceduti. Il punteggio F1 funge da indicatore della relazione precisione-ricordo, particolarmente significativa per i dataset clinici sbilanciati. Il divario di generalizzazione rivela la disparità di performance tra le diverse istituzioni, dimostrando così la versatilità del modello nell'adattarsi a fonti di dati diverse. Il rischio per la privacy viene infine quantificato attraverso l'uso di attacchi avversariali simulati, che determinano se l'aggregazione sicura e la privacy differenziale opzionale siano effettivamente efficaci nel proteggere la riservatezza del paziente. Tutte queste metriche di valutazione insieme forniscono un quadro completo del potere predittivo del modello, della resistenza agli attacchi avversariali, della stabilità tra diverse istituzioni e dell'adesione ai requisiti di preservazione della privacy. L'Algoritmo 1 (File Supplementare 1) qui sotto mostra l'Apprendimento Federato Robusto Adversariale (AR-FL) per la Previsione del Rischio di Mortalità.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Il modello AR-FL è stato testato su due dataset di cartelle cliniche elettroniche (EHR) pubblicamente disponibili e de-identificate: il MIMIC-III e il Collaborative Research Database eICU, che includono una varietà di cartelle cliniche dei pazienti in terapia intensiva con esiti di mortalità ospedaliera. Il dataset era distribuito su scenari ospedalieri simulati che rappresentavano le reali differenze tra istituzioni riguardo alle caratteristiche dei dati. Un modello separato è stato add...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Questo articolo presenta un modello Adversarial-Robust Federated Learning (AR-FL) volto a migliorare la previsione del rischio di mortalità utilizzando cartelle cliniche elettroniche multiistituzionali (EHR) migliorando accuratezza, robustezza e generalizzabilità. Lo studio rivela che incorporare l'addestramento avversario nell'ambiente federato porterà un beneficio significativo al modello, rendendolo più resistente alle perturbazioni degli input e alla variabilità dei domini tra le div...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori dichiarano di non avere interessi in conflitto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Adam OttimizzatorePyTorchhttps://pytorch.org/docs/stable/generated/torch.optim.Adam.htmlOttimizzazione
Kit degli attrezzi CUDANVIDIAhttps://developer.nvidia.com/cuda-toolkitVersione 11.8; Accelerazione GPU
Biblioteca sulla Privacy DifferenzialeOpacushttps://opacus.aiVersione 1.3.0; Formazione basata su DP per la salvaguardia della privacy
Database di Ricerca Collaborativa eICUPhysioNethttps://physionet.org/content/eicu-crd/2.0/Dati EHR dei pazienti in terapia intensiva
MIMIC-IIIPhysioNethttps://physionet.org/content/mimiciii/1.4/Dati EHR dei pazienti in terapia intensiva
Script d'attacco PGDGitHubhttps://github.com/Saswati-C/AR-FL-HERVersione: commit-hash; Generazione di esempi avversali
PyTorchPyTorch.orghttps://pytorch.orgVersione 2.0; Implementazione e addestramento del modello
Tesla V100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/v100/Addestramento al modello

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Addestramento AvversarialeModelli per la Preservazione della PrivacyAggregazione SicuraSupporto alle Decisioni ClinicheAttenzione Consapevole del DominioGeneralizzazione InteristituzionaleRobustezza dei Modelli Predittivi

Articoli correlati