Onderzoeksartikel

Adversarieel robuust gefedereerd leren voor veilige mortaliteitsrisicovoorspelling met behulp van multi-institutionele elektronische patiëntendossiers (EPD's)

DOI:

10.3791/69104

⸱

12 mei 2026

 , 
1Parul University, 2SoA Deemed to be University

In dit artikel

Samenvatting

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

Deze studie stelt een Adversarial-Robust Federated Learning (AR-FL) model voor voor het voorspellen van sterfterisico's met behulp van multi-institutionele elektronische patiëntendossiers. Het model integreert min–max adversariale training, domeinbewuste aandacht en privacybehoudende aggregatie om robuustheid, aanpassingsvermogen en gegevensvertrouwelijkheid te verbeteren, waardoor een veilig, betrouwbaar en generaliseerbaar klinisch besluitvormingsondersteuningssysteem mogelijk is dat geschikt is voor heterogene zorgomgevingen.

Samenvatting

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

Elektronische patiëntendossiers (EPD's) zijn de belangrijkste bron van gegevens die datagedreven klinische besluitvorming mogelijk maken. Echter, het gevoelige karakter van EPD's en de strikte privacybeleid in de gezondheidszorg maken gecentraliseerde modeltraining moeilijk of onmogelijk. Er wordt een Adversarially Robust Federated Learning (AR-FL) model voorgesteld om het risico op patiëntsterfte tussen verschillende instellingen te voorspellen zonder de oorspronkelijke EPD-gegevens te delen. Het primaire doel van deze studie is het introduceren van een veilige, reproduceerbare en schaalbare procedure voor het trainen van privacybehoudende, tegenstrijdig resistente voorspellende modellen in diverse klinische omgevingen. Deze studie hanteert een min-max adversariële trainingsaanpak bij elke instelling om de robuustheid tegen worstcase-verstoringen te verbeteren. Een domeinbewust aandachtsmechanisme wordt ook gebruikt om zich dynamisch aan te passen aan verschillen in klinische kenmerkende verdelingen binnen de instelling. Voor vertrouwelijkheid worden de modelupdates samengevoegd met privacybeschermende methoden die het openbaar maken van gevoelige patiëntgegevens tijdens gefedereerde communicatie. Deze studie specificeert het hele proces, van datapreprocessing en het genereren van adversariële voorbeelden tot lokale training, veilige aggregatie en wereldwijde modelevaluatie, waardoor een consistente implementatie in diverse zorgomgevingen mogelijk is. Experimentele validaties tonen aan dat het AR-FL model superieure voorspellende prestaties, adversariële robuustheid en cross-institutionele generalisatie behaalt. Door het opzetten van een gestandaardiseerde trainings- en evaluatiepijplijn ondersteunt deze studie de ontwikkeling van betrouwbare en ethisch conforme klinische besluitvormingsondersteuningssystemen.

Inleiding

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

Federated Learning (FL) is uitgegroeid tot een transformerend paradigma voor privacybehoudende gezondheidszorganalyse door samenwerkingsmodeltraining mogelijk te maken over gedecentraliseerde elektronische patiëntendossiergegevens (EPD) zonder ruwe patiëntinformatie te delen. Deze aanpak vermindert datasilo's en regelgevende beperkingen en verbetert de voorspellende prestaties bij taken zoals sterftevoorspelling. Ondanks deze voordelen blijven FL-systemen echter kwetsbaar voor vijandige en vergiftigende aanvallen. Figuur 1 illustreert de collaboratieve architectuur en workflow van gefedereerd leren over gedistribueerde klinische instellingen.

figure-introduction-1
Figuur 1: Generieke gefedereerde leerarchitectuur en medische beeldvormingsapplicaties. Deze figuur illustreert de standaard gefedereerde leerworkflow, met gedecentraliseerde gegevensopslag, lokale modeltraining en veilige server-side aggregatie, samen met de toepassingen ervan in medische beeldvormingsanalyse. Klik hier om een grotere versie van deze figuur te bekijken.

Recente ontwikkelingen in gezondheidszorganalyse benadrukken de effectiviteit van deep learning-modellen bij het verwerken van grootschalige EPD-data. Eerder onderzoek1 toonde aan dat deep learning nauwkeurige en schaalbare voorspellingen kan bereiken met behulp van ruwe klinische data. Daarnaast hebben Miotto et al.2 de bredere kansen en uitdagingen besproken die gepaard gaan met het inzetten van deep learning in zorgsystemen. Daarnaast hebben domeinspecifieke innovaties zoals ClinicalBERT3 het klinisch tekstbegrip en de voorspellende mogelijkheden verbeterd, terwijl benchmarkdatasets zoals MIMIC-III4, MIMIC-IV5 en eICU6 reproduceerbare en grootschalige evaluaties in intensivezorgonderzoek mogelijk hebben gemaakt.

Gefedereerd leren heeft veel aandacht gekregen als oplossing voor het mogelijk maken van collaboratieve gezondheidsanalyse zonder de gegevensprivacy in gevaar te brengen. Bestaande studies 7,8 hebben de rol ervan in digitale gezondheidsontwikkeling besproken, samen met bijbehorende uitdagingen en open onderzoeksvraagstukken. Bovendien heeft gefedereerd leren aangetoond dat het praktisch toepasbaar is in de praktijk in de gezondheidszorg, waaronder multiinstitutionele samenwerking9 en klinische uitkomstvoorspelling voor COVID-19-patiënten10. Toch blijven uitdagingen zoals data-heterogeniteit aanzienlijk. Om dit aan te pakken, zijn optimalisatiestrategieën voor heterogene omgevingen11 en benaderingen zoals FedBN12, dat gebruikmaakt van lokale batchnormalisatie, voorgesteld om modelconvergentie en generalisatie te verbeteren.

Beveiliging en robuustheid in gefedereerd leren zijn kritieke zorgen geworden vanwege de toenemende blootstelling aan adversariële dreigingen. Het concept van adversariële voorbeelden13 toonde aan dat kleine verstoringen deep learning-modellen met hoge zekerheid kunnen misleiden. In gefedereerde settings worden deze kwetsbaarheden verergerd door dreigingen zoals backdoor attacks14 en model poisoning. Om deze risico's aan te pakken, zijn tegenstanderbestendige geclusterde federated learning-benaderingen en robuuste optimalisatietechnieken gebaseerd op adversarial training voorgesteld15,16. Daarnaast zijn er veilige communicatieframeworks ontwikkeld die gradient boosting en LSTM-modellen17 integreren om man-in-the-middle-aanvallen te beperken. Tegelijkertijd zijn geavanceerde architecturen zoals DBAFL18,19 gericht op het verdedigen tegen vergiftigingsaanvallen in gedistribueerde omgevingen.

Privacybehoud blijft een fundamentele vereiste in gefedereerde zorgsystemen. Samen getrainde modellen kunnen gevoelige informatie lekken via GAN-gebaseerde aanvallen, wat de inherente privacyrisico's20 benadrukt. Om dergelijke problemen te beperken, zijn secure aggregatieprotocollen21 en differentiële privacytechnieken22 geïntroduceerd om vertrouwelijkheid in gedistribueerd leren te waarborgen. Bovendien zijn blockchain-gebaseerde oplossingen23,24 voorgesteld voor veilig EPD-beheer en gegevensdeling, met aanvullende studies 25,26,27,28 die deze benaderingen uitbreiden om interoperabiliteit, veiligheid en efficiëntie in zorgsystemen te verbeteren.

De snelle vooruitgang van kunstmatige intelligentie in de gezondheidszorg heeft ook geleid tot de ontwikkeling van hybride intelligente modellen en geïntegreerde systemen die voorspellende prestaties en besluitvorming verbeteren. Eerdere studies hebben ook de transformerende rol van AI in de geneeskunde besproken29 en adversariële aanvallen en verdedigingsmechanismen in machine learning-systemen 29,30.

Ondanks deze vooruitgang blijft bestaand onderzoek gefragmenteerd. Veel gefedereerde leermodellen slaagen er niet in om adversariale robuustheid te bevatten, waardoor ze vatbaar zijn voor aanvallen. Bovendien wordt domeinheterogeniteit vaak onvoldoende behandeld, waardoor generalisatie tussen instellingen beperkt wordt. Privacybehoudende mechanismen worden vaak geïsoleerd geïmplementeerd, zonder integratie met robuustheids- en domeinadaptatiestrategieën, wat resulteert in onvolledige en minder betrouwbare AI-systemen voor de gezondheidszorg. Om deze beperkingen aan te pakken, stelt dit artikel een geïntegreerd Adversarial Robust Federated Learning-framework voor dat adversarieel training, domeinbewuste aandachtmechanismen en veilige aggregatie combineert. De voorgestelde aanpak verbetert de robuustheid tegen aanvallen, verbetert de aanpassingsvermogen in heterogene klinische omgevingen en waarborgt privacy van patiëntgegevens, waardoor een uitgebreide oplossing wordt geboden voor praktijkgerichte multiinstitutionele zorgtoepassingen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Voorgestelde methodologie
Het voorgestelde Adversarially Robust Federated Learning (AR-FL) model heeft als doel het risico op het overlijden van patiënten veilig en samenwerkend te voorspellen tussen verschillende zorginstellingen, terwijl gegevensprivacy wordt beschermd en het systeem bestand wordt tegen verstoringen door tegenstanders. De implementatie omvat vier hoofdelementen: (1) de Federated Learning-structuur, (2) de min-max optimalisatie-gebaseerde adversariale training, (3) het domeinbewuste aandachtsmechanisme, en (4) de privacybehoudende parameteraggregatie. De methodologie wordt uitgevoerd in een systematische flow die is aangewezen voor adversariële robuuste federated learning om het sterfterisico te schatten. Het proces, weergegeven in Figuur 2, begint met gegevensverzameling van talrijke zorginstellingen, gevolgd door datapreprocessing om functies te standaardiseren en ontbrekende waarden te behandelen. Een globaal model wordt aanvankelijk gemaakt door een centrale server en vervolgens naar elke zorginstelling gestuurd. Lokale adversariële training vindt plaats binnen zorginstellingen, waardoor het model robuust is tegen verstoringen en het mogelijk maakt het aan te passen aan domeinspecifieke data. Na training worden de parameters van de lokale modellen veilig aan de server geleverd met behulp van beveiligde parameteraggregatie. De server verwerkt deze lokale modelbijdragen om het globale model bij te werken. Dit proces wordt meerdere keren herhaald in een iteratieve optimalisatie om de gezamenlijke verfijning van het model te vergemakkelijken. Als gevolg daarvan wordt het model rigoureus geëvalueerd met behulp van klinische benchmarks die de voorspellende prestaties, de robuustheid van tegenstanders en generalisatie tussen instellingen beoordelen.

figure-protocol-1
Figuur 2: Voorgesteld AR-FL model. Deze figuur toont de algemene architectuur van het voorgestelde Adversarial-Robust Federated Learning-model, inclusief adversarial training, domeinbewuste aandacht en privacybehoudende veilige aggregatie. Klik hier om een grotere versie van deze figuur te bekijken.

Dataverzameling
Voor deze studie worden twee openbaar toegankelijke Electronic Health Record (EPD)-datasets gebruikt: MIMIC-III4 en de eICU Collaborative Research Database6. MIMIC-III biedt meer dan 40.000 IC-opnames vanuit één groot ziekenhuis, terwijl eICU-gegevens meer dan 200.000 IC-opnames omvatten van verschillende ziekenhuizen in de VS. De respectieve patiëntendemografie, klinische metingen, laboratoriumresultaten, geregistreerde gebeurtenissen en uitkomsten die in deze datastromen worden vastgelegd, maken ze zeer aantrekkelijk voor de taak om sterfterisico's te voorspellen. De EPD-datasets worden elk opgesplitst in verschillende delen om een realistische, multi-institutionele gefedereerde leeromgeving te vormen; elk deel vertegenwoordigt een ander ziekenhuis of instelling. De methode legt verschillen tussen instellingen vast in de kenmerken van patiënten, klinische protocollen, documentatiestijlen en beschikbaarheid van gegevens. Elke gesimuleerde instelling kan alleen toegang krijgen tot zijn eigen data-subset en deelt geen ruwe records met de centrale server of andere deelnemende clients. Deze aanpak garandeert volledige naleving van privacybeschermende principes, terwijl tegelijkertijd de praktische beperkingen van interhospitale samenwerking worden gesimuleerd. Sterftelabels worden geëxtraheerd uit de uitkomstvelden die in de datasets zijn aangegeven, bijvoorbeeld indicatoren voor sterfte in ziekenhuizen. Deze labels fungeren als voorspellingsdoelen voor het gefedereerde leermodel. Elke instelling onderhoudt dus haar eigen lokale set patiëntkenmerken die verband houden met sterfte-uitkomsten, waardoor gedecentraliseerde modeltraining mogelijk is zonder gevoelige patiëntinformatie te onthullen.

Datavoorverwerking
Elke instelling verwerkt haar lokale EPD-gegevens onafhankelijk voordat de modeltraining begint. Omdat gefedereerd leren het delen van patiëntgegevens of zelfs samenvattende statistieken tussen deelnemende instellingen niet toestaat, worden alle preprocessing-stappen lokaal uitgevoerd bij elke instelling en zijn ze uitsluitend gebaseerd op de informatie in de dataset van die instelling. De preprocessingflow bestaat uit enkele cruciale stappen. Aanvankelijk worden numerieke klinische variabelen zoals vitale functies, laboratoriumresultaten en fysiologische metingen genormaliseerd om verschillen in waardebereik te elimineren en de modelconvergentie te stabiliseren. De lokale gegevens van elke instelling zijn de enige bron om de statistieken te berekenen die voor de normalisatie worden gebruikt. Vervolgens worden categorische attributen zoals geslacht, toelatingstype of diagnostische categorieën omgezet naar numerieke representaties met methoden zoals one-hot encoding of instellingsspecifieke mappings. Het gefedereerde model kan dus categorische gegevens verwerken zonder de noodzaak van gedeelde coderingswoordenboeken of cross-institutionele referentietabellen. Ten derde worden ontbrekende gegevens, die vaak voorkomen in klinische datasets, verwerkt met lokale imputatietechnieken. Afhankelijk van het type kenmerk en de klinische context kunnen instellingen overgaan op middellijke imputatie, vooruitvulling op basis van eerdere observaties, of zelfs regelgebaseerde klinische vervangingen. Omdat elke instelling de imputatie onafhankelijk uitvoert, zijn er geen externe metadata of gedeelde imputatieparameters nodig. Na deze procedures kan elke instelling een volledige verwerkte feature-dataset maken, samen met de bijbehorende sterftecijfers. De lokale datasets worden vervolgens gebruikt als input voor de training van het gefedereerde model. Gedurende de gehele preprocessing-pijplijn worden geen ruwe data, afgeleide statistieken of tussentijdse output buiten de instelling verzonden, wat strikte naleving van privacybeschermende databeheerpraktijken waarborgt.

Modelinitialisatie
Laat K {1, 2,..., K} de verzameling van betrokken instellingen (cliënten) zijn, waarbij elke instelling een lokale dataset bezit. figure-protocol-2{ figure-protocol-3 waarbij figure-protocol-4 input EPD-kenmerken vertegenwoordigt en figure-protocol-5 Is het bijbehorende sterftelabel (binair of categorisch). Een globaal model figure-protocol-6 wordt gezamenlijk getraind over alle klanten, waarbij θ de gedeelde modelparameters zijn.

Het proces volgt het standaard Federated Averaging (FedAvg) protocol:
De centrale server initialiseert globale figure-protocol-7 parameters en zendt deze uit. Elke client k∈K voert lokale training uit met zijn data en werkt het model bij naar figure-protocol-8 . De server combineert de updates door het gewogen gemiddelde te nemen:

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

De procedure van centrale serverinitialisatie en de lokale trainingsstappen gaan door voor T globale communicatierondes.

Lokale adversariële training (Min–Max-optimalisatie)
Om de robuustheid te verbeteren, voert elke cliënt adversariële training uit op hun lokale locatie. In plaats van het empirische risico op schone data te minimaliseren, hebben de cliënten een min-max probleem:

figure-protocol-12(x+δ),y)

L: Verliesfunctie
δ: Adversariële verstoring beperkt door figure-protocol-13
S: Adversarial dreigingsgebied
figure-protocol-14(x+δ): Voorspelling onder verstoorde input

Op het moment van elk lokaal tijdperk worden adversariële monsters gemaakt met behulp van Projected Gradient Descent (PGD) of Fast Gradient Sign Method (FGSM). Daarna gaat de training van het model verder met deze voorbeelden om de robuustheid te vergroten.

Domeinbewuste aandachtmechanisme
Elektronische patiëntendossiers (EPD) gegevens van verschillende instellingen kunnen sterk variëren wat betreft gegevensverdeling, functiesemantiek en klinische praktijken. Om dit probleem aan te pakken, verwerkt het AR-FL-model een domeinspecifieke aandachtmodule in zijn model.

Laat figure-protocol-15 figure-protocol-16 de invoervector van instelling k zijn. De aandachtsgewichten figure-protocol-17 voor elk kenmerk j∈ {1..., d} worden berekend als:

figure-protocol-18=figure-protocol-19

waar zijn trainbare aandachtgewichten. De invoer wordt opnieuw gewogen als:

figure-protocol-20

Via dit mechanisme kan het model kenmerken benadrukken die belangrijk zijn voor de klinische praktijk afhankelijk van de aard van de door de instelling gebruikte data, waardoor de aanpasbaarheid en interpreteerbaarheid toeneemt.

Privacybehoudende parameteraggregatie
AR-FL gebruikt zeer veilige aggregatie samen met differentiële privacytechnieken indien nodig om het hoogste niveau van privacy tijdens communicatie te waarborgen. Veilige aggregatie: Gebruikers versleutelen hun modelupdates zodanig dat de server alleen het totaal kan berekenen, maar niet de afzonderlijke bijdragen.

Differentiële privacy: Voegt ruis toe aan modelupdates:

figure-protocol-21

Waar σ de afweging privacy-nauwkeurigheid bepaalt.

Tijdens verspreide updates zorgen deze benaderingen ervoor dat privépatiëntgegevens of institutionele informatie niet het risico lopen te lekken.

Wereldwijde modelupdate
Zodra de lokale trainingsfase bij elke instelling is afgerond, verzamelt de centrale server de door de client ingediende modelupdates. Deze updates bestaan uitsluitend uit wijzigingen in modelparameters en bevatten geen ruwe patiëntgegevens of tussenliggende feature-representaties. Om de kennis die van de verschillende instellingen is verkregen samen te voegen, past de server de Federated Averaging (FedAvg) methode toe. In dit proces berekent de server een gewogen gemiddelde van de lokale modellen op basis van de hoeveelheid beschikbare data per instelling. Instellingen die grotere datasets bijdragen, hebben een proportioneel grotere invloed op het geactualiseerde wereldwijde model. Omdat de updates werden verzonden met behulp van veilige aggregatietechnieken, kan de server de parameters van een individuele instelling niet bekijken of isoleren. In plaats daarvan krijgt de server alleen een versleutelde of privacybeschermde gecombineerde weergave. Dit garandeert de vertrouwelijkheid van het trainingsproces en de vernietiging van eventuele instellingsspecifieke patronen of patiëntkenmerken die mogelijk zijn ontdekt. Na het berekenen van de geaggregeerde update bereidt de server een nieuw globaal model voor dat staat voor de totale kennis die in die communicatieronde van alle samenwerkende instellingen is verkregen. Het nieuwe wereldwijde model wordt vervolgens teruggestuurd naar elke instelling voor de volgende ronde lokale adversariële training.

Iteratieve optimalisatie
Gefedereerd leren is een meerfasig proces dat meerdere communicatierondes omvat. Elke ronde bestaat uit de training van het lokale model, het veilig verzenden van updates, globale aggregatie en de daaropvolgende distributie van het verbeterde model aan de deelnemers. De herhaalde rondes helpen het model geleidelijk te bewegen naar een robuuste, stabiele oplossing. Tijdens deze rondes brengt elke organisatie haar kennis van haar patiëntenpopulatie mee, waardoor een model ontstaat dat klinische patronen in verschillende omgevingen kan identificeren. Het moet worden opgemerkt dat adversariale training en het domeinbewuste aandachtsmechanisme soms via lokale training in elke ronde worden toegepast. Het model wordt dus voortdurend verfijnd en groeit zijn vermogen om vijandige aanvallen te bestrijden, terwijl het vermogen om zich aan te passen aan verschillende functieverdelingen tussen instellingen toeneemt. Door iteratieve optimalisatie verbetert het model niet alleen zijn generalisatieprestaties, maar wordt het ook steeds toleranter voor data-onevenwichtigheden, institutionele variatie en adversariële omgevingen. De procedure wordt uitgevoerd totdat een vooraf bepaald aantal communicatierondes is bereikt of het globale model stabiele convergentie aangeeft.

Evaluatie
Aan het einde van alle communicatierondes wordt het uiteindelijke globale model grondig geëvalueerd met behulp van uitgestelde testsets die zijn afgeleid van de datasets van de deelnemers. Omdat deze testsets niet worden gebruikt voor modeltraining, bieden ze een eerlijke en onpartijdige maatstaf voor de prestaties van het model. De effectiviteit van het model wordt geëvalueerd door de berekening van verschillende metrieken vanuit verschillende hoeken. Schone nauwkeurigheid beoordeelt de situatie waarin normale omstandigheden heersen. Het meet de correctheid van het model bij het voorspellen van sterfte-uitkomsten. Daarentegen schat adversariele nauwkeurigheid in hoeverre het model zijn prestaties kan behouden, zelfs wanneer invoerdata op adversariële wijze wordt gewijzigd. Het gebied onder de receiver operating characteristic (ROC) curve (AUC-ROC) geeft inzicht in de vaardigheid van het model in het onderscheiden van levende en overleden patiënten. De F1-score dient als indicator van de relatie tussen precisie en terugroep, wat vooral belangrijk is voor onevenwichtige klinische datasets. De generalisatiekloof onthult het verschil in prestaties tussen verschillende instellingen, waarmee het model de veelzijdigheid aantoont in het aanpassen aan uiteenlopende databronnen. Het privacyrisico wordt uiteindelijk gekwantificeerd door het gebruik van gesimuleerde adversariële aanvallen, die vaststellen of veilige aggregatie en optionele differentiële privacy daadwerkelijk effectief zijn in het beschermen van patiëntgeheim. Al deze evaluatiemetrics samen geven een volledig beeld van de voorspellende kracht van het model, de weerstand tegen adversariële aanvallen, stabiliteit tussen verschillende instellingen en de naleving van privacybehoudende eisen. Algoritme 1 (Aanvullend Bestand 1) hieronder toont het Adversarial Robust Federated Learning (AR-FL) voor het voorspellen van sterfterisico.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Het AR-FL-model werd getest op twee openbaar toegankelijke, gedeïdentificeerde, multi-institutionele elektronische patiëntendossiers (EPD): de MIMIC-III en de eICU Collaborative Research Database, die verschillende ICU-patiëntendossiers met ziekenhuissterfte-uitkomsten bevatten. De dataset werd verspreid over gesimuleerde ziekenhuisscenario's die de daadwerkelijke verschillen tussen instellingen met betrekking tot hun gegevenskenmerken weerspiegelden. Voor elke cliënt (instelling) werd e...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Dit artikel presenteert een Adversarial-Robust Federated Learning (AR-FL) model dat gericht is op het verbeteren van de voorspelling van sterfterisico's met behulp van multi-institutionele elektronische patiëntendossiers (EPD's) door nauwkeurigheid, robuustheid en generaliseerbaarheid te verbeteren. De studie toont aan dat het integreren van adversariale training in de gefedereerde omgeving het model aanzienlijk zal bevoordelen doordat het resistenter wordt tegen inputverstoringen en dom...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs verklaren geen concurrerende belangen.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Adam OptimizerPyTorchhttps://pytorch.org/docs/stable/generated/torch.optim.Adam.htmlOptimalisatie
CUDA ToolkitNVIDIAhttps://developer.nvidia.com/cuda-toolkitVersie 11.8; GPU-versnelling
Differential Privacy LibraryOpacushttps://opacus.aiVersie 1.3.0; DP-gebaseerd privacy-beschermend training
eICU Collaborative Research DatabasePhysioNethttps://physionet.org/content/eicu-crd/2.0/ICU-patiënt EHR-gegevens
MIMIC-IIIPhysioNethttps://physionet.org/content/mimiciii/1.4/ICU-patiënt EHR-gegevens
PGD Attack ScriptGitHubhttps://github.com/Saswati-C/AR-FL-HERVersie: commit-hash; Generatie van adversarische voorbeelden
PyTorchPyTorch.orghttps://pytorch.orgVersie 2.0; Implementatie en training van modellen
Tesla V100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/v100/Modeltraining

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Adversari le TrainingPrivacybewarende ModellenVeilige AggregatieKlinische BeslissingsondersteuningDomeinbewuste AandachtCross institutionele GeneralisatieRobuustheid van Predictieve Modellen

Gerelateerde artikelen