Artykuł badawczy

Adwersaryczne, Solidne Federacyjne Uczenie dla bezpiecznego przewidywania ryzyka śmiertelności z wykorzystaniem wieloinstytucjonalnych elektronicznych dokumentacji medycznych (EHR)

DOI:

10.3791/69104

⸱

12 maja 2026

 , 
1Parul University, 2SoA Deemed to be University

W tym artykule

Podsumowanie

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

Niniejsze badanie proponuje model Adversarial-Robust Federated Learning (AR-FL) do przewidywania ryzyka śmiertelności z wykorzystaniem wieloinstytucjonalnych elektronicznych dokumentacji medycznych. Model integruje szkolenia min–max przeciwnika, uwagę świadomą domeny oraz agregację chroniącą prywatność, aby zwiększyć odporność, elastyczność i poufność danych, umożliwiając bezpieczny, niezawodny i uniwersalny system wsparcia decyzji klinicznych odpowiedni dla heterogenicznych środowisk medycznych.

Streszczenie

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

Elektroniczne dokumentacje medyczne (EHR) są głównym źródłem danych, które umożliwiają podejmowanie decyzji klinicznych opartych na danych. Jednak wrażliwy charakter EHR oraz surowe polityki prywatności w sektorze opieki zdrowotnej sprawiają, że scentralizowane szkolenie modeli jest trudne lub niemożliwe. Proponowany jest model Adversarially Resistant Federated Learning (AR-FL), który ma przewidywać ryzyko śmiertelności pacjentów w różnych instytucjach bez udostępniania oryginalnych danych EHR. Głównym celem tego badania jest wprowadzenie bezpiecznej, powtarzalnej i skalowalnej procedury szkolenia modeli predykcyjnych chroniących prywatność i odpornych na przeciwników w różnych środowiskach klinicznych. Badanie to stosuje podejście szkolenia przeciwnikającego w systemie min–max w każdej instytucji, aby zwiększyć odporność na najgorsze możliwe zaburzenia. Stosowany jest także mechanizm uwagi świadomy dziedziny, który dynamicznie dostosowuje się do różnic w rozkładzie cech klinicznych w obrębie instytucji. Dla zachowania poufności aktualizacje modeli są łączone przy użyciu metod chroniących prywatność, które blokują ujawnianie wrażliwych danych pacjentów podczas komunikacji federacyjnej. Niniejsze badanie określa cały proces od wstępnego przetwarzania danych i generowania przykładów adwersaryalnych, przez szkolenia lokalne, bezpieczną agregację i globalną ocenę modeli, co pozwala na spójną implementację w różnych środowiskach opieki zdrowotnej. Testy eksperymentalne wykazują, że model AR-FL osiąga lepsze wyniki predykcyjne, odporność przeciwników oraz uogólnienie międzyinstytucjonalne. Poprzez ustanowienie ustandaryzowanego pipeline'u szkoleniowego i ewaluacyjnego, badanie to wspiera rozwój wiarygodnych i etycznie zgodnych systemów wsparcia decyzyjnego w zakresie podejmowania decyzji.

Wprowadzenie

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

Federated Learning (FL) stała się przełomowym paradygmatem analityki chroniącej prywatność w opiece zdrowotnej, umożliwiając szkolenie modeli współpracy na zdecentralizowanych danych elektronicznej dokumentacji medycznej (EHR) bez udostępniania surowych informacji o pacjencie. Takie podejście łagodzi silosy danych i ograniczenia regulacyjne, jednocześnie poprawiając wydajność predykcyjną w zadaniach takich jak przewidywanie śmiertelności. Jednak pomimo tych zalet, systemy FL pozostają podatne na ataki przeciwników i zatrucia. Rysunek 1 ilustruje architekturę i przepływ pracy w federacyjnym nauczaniu w rozproszonych instytucjach klinicznych.

figure-introduction-1
Rysunek 1: Ogólna architektura uczenia federacyjnego i aplikacje obrazowania medycznego. Ten wykres ilustruje standardowy proces nauki federacyjnej, pokazując zdecentralizowane przechowywanie danych, lokalne trenowanie modeli oraz bezpieczną agregację po stronie serwera, a także jego zastosowania w analizie obrazów medycznych. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Najnowsze osiągnięcia w analityce medycznej podkreślają skuteczność modeli głębokiego uczenia w przetwarzaniu dużych danych EHR. Wcześniejsze badania1 wykazały, że uczenie głębokie może uzyskać dokładne i skalowalne prognozy na podstawie surowych danych klinicznych. Ponadto Miotto i in.2 omówili szersze możliwości i wyzwania związane z wdrażaniem uczenia głębokiego w systemach opieki zdrowotnej. Ponadto innowacje specyficzne dla dziedziny, takie jak ClinicalBERT3 , poprawiły zrozumienie tekstów klinicznych i zdolności predykcyjne, podczas gdy zestawy danych referencyjnych, takie jak MIMIC-III4, MIMIC-IV5 i eICU6 , umożliwiły powtarzalne i szeroko zakrojone oceny w badaniach intensywnej terapii.

Federated learning zyskał znaczną uwagę jako rozwiązanie umożliwiające współpracę w analityce opieki zdrowotnej bez kompromisów dla prywatności danych. Istniejące badania 7,8 omawiały jego rolę w rozwoju zdrowia cyfrowego, wraz z powiązanymi wyzwaniami i otwartymi kwestiami badawczymi. Ponadto federacja wykazała praktyczne zastosowanie w rzeczywistych scenariuszach opieki zdrowotnej, w tym w współpracy wieloinstytucjonalnej9 oraz przewidywaniu wyników klinicznych dla pacjentów z COVID-1910. Jednak wyzwania takie jak heterogeniczność danych pozostają istotne. Aby temu zaradzić, zaproponowano strategie optymalizacji dla środowisk heterogenicznych11 oraz podejścia takie jak FedBN12, które wykorzystuje lokalną normalizację wsadową, aby poprawić zbieżność i uogólnienie modeli.

Bezpieczeństwo i odporność w federacji stały się kluczowymi kwestiami ze względu na rosnącą ekspozycję na zagrożenia ze strony przeciwnika. Koncepcja przykładów adwersarnych13 ujawniła, że małe zaburzenia mogą wprowadzać modele głębokiego uczenia w błąd z dużą pewnością. W federacyjnych środowiskach te podatności są spotęgowane przez zagrożenia takie jak ataki tylne drzwi14 czy zatrucie modeli. Aby przeciwdziałać tym ryzykom, zaproponowano odporne na przeciwników klastrowane podejścia do uczenia federacyjnego oraz solidne techniki optymalizacji oparte na szkoleniu przeciwnika.15,16. Dodatkowo opracowano bezpieczne ramy komunikacyjne integrujące gradient boosting i modele LSTM17, aby ograniczyć ataki typu man-in-the-middle. Jednocześnie zaawansowane architektury, takie jak DBAFL18,19, mają na celu ochronę przed atakami zatruciami w środowiskach rozproszonych.

Zachowanie prywatności pozostaje podstawowym wymogiem w federacyjnych systemach opieki zdrowotnej. Modele wytrenowane wspólnie mogą ujawniać wrażliwe informacje poprzez ataki oparte na GAN, co podkreśla wrodzone ryzyka prywatności20. Aby złagodzić takie problemy, wprowadzono protokoły bezpiecznej agregacji21 oraz różnicową technikę prywatności22, aby zapewnić poufność w nauczaniu rozproszonym. Ponadto zaproponowano rozwiązania oparte na blockchainie23,24 do bezpiecznego zarządzania EHR i udostępniania danych, a dodatkowe badania 25,26,27,28 rozszerzają te podejścia w celu poprawy interoperacyjności, bezpieczeństwa i efektywności systemów opieki zdrowotnej.

Szybki rozwój sztucznej inteligencji w opiece zdrowotnej doprowadził również do rozwoju hybrydowych modeli inteligentnych i zintegrowanych systemów, które poprawiają wyniki predykcyjne i podejmowanie decyzji. Wcześniejsze badania omawiały również transformującą rolę AI w medycynie29 oraz ataki przeciwników i mechanizmy obronne w systemach uczenia maszynowego29,30.

Pomimo tych postępów, istniejące badania pozostają rozproszone. Wiele modeli uczenia federacyjnego nie uwzględnia odporności przeciwnika, co czyni je podatnymi na ataki. Dodatkowo, heterogeniczność dziedzin jest często niewystarczająco uwzględniana, co ogranicza uogólnienie między instytucjami. Mechanizmy chroniące prywatność są często wdrażane w izolacji, bez integracji ze strategiami odporności i adaptacji domenowej, co skutkuje niekompletnymi i mniej wiarygodnymi systemami AI w opiece zdrowotnej. Aby rozwiązać te ograniczenia, niniejszy artykuł proponuje zintegrowany Adversarial Robust Federated Learning, który łączy trening adwersarialny, mechanizmy uwagi uwzględniające domenę oraz bezpieczną agregację. Proponowane podejście zwiększa odporność na ataki, poprawia elastyczność w heterogenicznych środowiskach klinicznych oraz zapewnia prywatność danych pacjentów, oferując tym samym kompleksowe rozwiązanie dla rzeczywistych, wieloinstytucjonalnych zastosowań medycznych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Proponowana metodologia
Proponowany model Adversarially Robust Federated Learning (AR-FL) ma na celu bezpieczne i współpracujące przewidywanie ryzyka śmiertelności pacjentów w różnych instytucjach opieki zdrowotnej, jednocześnie chroniąc prywatność danych i czyniąc system odpornym na zakłócenia ze strony przeciwników. Wdrożenie obejmuje cztery główne elementy: (1) strukturę Federated Learning, (2) trening adwersarialny oparty na optymalizacji min-max, (3) mechanizm uwagi świadomy domeny oraz (4) agregację parametrów chroniącą prywatność. Metodologia jest realizowana w systematycznym procesie, przeznaczonym do adwersaryjnego, solidnego uczenia federacyjnego, aby oszacować ryzyko śmiertelności. Proces ten, przedstawiony na Rysunku 2, rozpoczyna się od pozyskiwania danych z licznych instytucji medycznych, a następnie następuje ich wstępne przetwarzanie w celu standaryzacji funkcji i obsługi brakujących wartości. Model globalny jest początkowo tworzony przez centralny serwer, a następnie wysyłany do każdej placówki opieki zdrowotnej. Lokalne szkolenia adwersarne odbywają się w placówkach opieki zdrowotnej, co zwiększa odporność modelu na zakłócenia, jednocześnie umożliwiając jego adaptację do danych specyficznych dla danej dziedziny. Po trenowaniu parametry lokalnych modeli są bezpiecznie dostarczane na serwer za pomocą bezpiecznej agregacji parametrów. Serwer uwzględnia te lokalne wkłady modelu, aby aktualizować model globalny. Proces ten powtarza się kilkakrotnie w iteracyjnej optymalizacji, aby ułatwić współpracujące udoskonalanie modelu. W rezultacie model jest rygorystycznie oceniany na podstawie klinicznych benchmarków, które oceniają jego wyniki predykcyjne, odporność przeciwników oraz uogólnienie w różnych instytucjach.

figure-protocol-1
Rysunek 2: Proponowany model AR-FL. Ten wykres przedstawia ogólną architekturę proponowanego modelu Adversarial-Robust Federated Learning, w tym trening adwersarialny, uwagę świadomą domeny oraz bezpieczną agregację chroniącą prywatność. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Zbieranie danych
W tym badaniu wykorzystano dwa publicznie dostępne zbiory danych Elektronicznej Dokumentacji Medycznej (EHR): MIMIC-III4 oraz eICU Collaborative Research Database6. MIMIC-III zapewnia ponad 40 000 przyjęć na OIT w jednym dużym szpitalu, podczas gdy dane z eICU obejmują ponad 200 000 pobytów na OIT w różnych szpitalach w USA. Odpowiednie dane demograficzne pacjentów, pomiary kliniczne, wyniki badań laboratoryjnych, wykresy zdarzeń oraz wyniki rejestrowane w tych strumieniach danych czynią je bardzo atrakcyjnymi do zadania prognozowania ryzyka śmiertelności. Zbiory danych EHR są podzielone na różne części, tworząc realistyczne, wieloinstytucjonalne środowisko nauki federacyjnej; każda część reprezentuje inny szpital lub instytucję. Metoda uwzględnia różnice między instytucjami w charakterystyce pacjentów, protokołach klinicznych, stylach dokumentacji oraz dostępności danych. Każda symulowana instytucja może uzyskać dostęp wyłącznie do własnego podzbioru danych i nie udostępnia żadnych surowych rekordów serwerowi centralnemu ani innym uczestniczącym klientom. Takie podejście gwarantuje pełne przestrzeganie zasad ochrony prywatności, jednocześnie symulując rzeczywiste ograniczenia współpracy międzyszpitalnej. Etykiety śmiertelności są wyodrębniane z pól wyników wskazanych w zbiorach danych, na przykład wskaźników śmiertelności w szpitalach. Te etykiety pełnią rolę celów predykcyjnych dla modelu uczenia się federacyjnego. Każda instytucja utrzymuje więc własny lokalny zestaw rekordów cech pacjentów związanych z wynikami śmiertelności, umożliwiając zdecentralizowane szkolenie modeli bez ujawniania wrażliwych informacji o pacjentach.

Wstępne przetwarzanie danych
Każda instytucja przetwarza swoje lokalne dane EHR niezależnie przed rozpoczęciem treningu modelu. Ponieważ uczenie się federowane uniemożliwia udostępnianie jakichkolwiek danych na poziomie pacjenta, a nawet statystyk podsumowujących między uczestniczącymi instytucjami, wszystkie etapy wstępnego przetwarzania są wykonywane lokalnie w każdej instytucji i opierają się wyłącznie na informacjach zawartych w danym zbiorze danych. Proces wstępnego przetwarzania składa się z kilku kluczowych etapów. Początkowo numeryczne zmienne kliniczne, takie jak parametry życiowe, wyniki badań laboratoryjnych oraz pomiary fizjologiczne, są normalizowane, aby wyeliminować różnice w zakresach wartości i ustabilizować zbieżność modelu. Lokalne dane każdej instytucji są jedynym źródłem do obliczania statystyk używanych do normalizacji. Następnie atrybuty kategoryczne, takie jak płeć, typ przyjęcia czy kategorie diagnostyczne, są przekształcane w reprezentacje liczbowe za pomocą metod takich jak kodowanie one-hot lub mapowania specyficzne dla instytucji. W związku z tym model federacyjny może obsługiwać dane kategoryczne bez potrzeby współdzielonych słowników kodujących czy międzyinstytucjonalnych tabel referencyjnych. Po trzecie, brakujące dane, które są powszechne w zbiorach danych klinicznych, są obsługiwane za pomocą lokalnych technik imputacji. W zależności od typu cechy i kontekstu klinicznego, instytucje mogą sięgać po imputację średnią, uzupełnianie na podstawie wcześniejszych obserwacji, a nawet kliniczne zastępstwa oparte na regułach. Ponieważ każda instytucja wykonuje imputację niezależnie, nie są potrzebne zewnętrzne metadane ani wspólne parametry imputacji. Zgodnie z tymi procedurami każda instytucja jest w stanie stworzyć kompletny, przetworzony zbiór danych cech wraz z powiązanymi wynikami dotyczącymi śmiertelności. Lokalne zbiory danych są następnie wykorzystywane jako dane wejściowe do federacyjnego treningu modelu. W całym procesie wstępnego przetwarzania żadne surowe dane, statystyki pochodne ani pośrednie wyniki nie są przesyłane poza instytucję, co zapewnia ścisłe przestrzeganie praktyk zarządzania danymi chroniących prywatność.

Inicjalizacja modelu
Niech K {1, 2,..., K} będzie zbiorem instytucji (klientów) zaangażowanych w ten obszar, gdzie każda instytucja posiada lokalny zbiór danych. figure-protocol-2{ figure-protocol-3 gdzie figure-protocol-4 reprezentuje cechy wejściowego EHR, a Jest figure-protocol-5 powiązaną etykietą śmiertelności (binarną lub kategoryczną). Model figure-protocol-6 globalny jest trenowany wspólnie na wszystkich klientach, gdzie θ to wspólne parametry modelu.

Proces przebiega zgodnie ze standardowym protokołem Federated Averaging (FedAvg):
Serwer centralny inicjuje parametry globalne figure-protocol-7 i je nadawa. Każdy klient k∈K wykonuje lokalne trenowanie na podstawie swoich danych i aktualizuje model do .figure-protocol-8 Serwer łączy aktualizacje, biorąc średnią ważoną:

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

Procedura inicjalizacji serwera centralnego oraz lokalne etapy szkoleniowe są kontynuowane podczas rund komunikacji globalnej.

Lokalne szkolenie przeciwnika (optymalizacja Min–Max)
Aby zwiększyć wytrzymałość, każdy klient przeprowadza szkolenia przeciwnikařskie w swoim lokalnym miejscu. Zamiast minimalizować ryzyko empiryczne na czystych danych, klienci podejmują problem min-max:

figure-protocol-12(x+δ),y)

L: Funkcja straty
δ: Perturbacja przeciwstawna ograniczona przez figure-protocol-13
S: Przestrzeń zagrożeń przeciwników
figure-protocol-14(x+δ): Predykcja przy zaburzonym wejściu

W czasie każdej lokalnej epoki próbki adwersarne są tworzone za pomocą metody Projected Gradient Descent (PGD) lub Fast Gradient Sign Method (FGSM). Następnie trening modelu kontynuuje z tymi próbkami, aby zwiększyć jego odporność.

Mechanizm uwagi świadomy domeny
Dane z elektronicznej dokumentacji medycznej (EHR) z różnych instytucji mogą się znacznie różnić pod względem rozkładu danych, semantyki cech oraz praktyk klinicznych. Aby rozwiązać ten problem, model AR-FL zawiera moduł uwagi specyficzny dla danej dziedziny.

Niech figure-protocol-15 figure-protocol-16 będzie wektorem wejściowym z instytucji k. Wagi figure-protocol-17 uwagi dla każdej cechy j∈ {1..., d} oblicza się jako:

figure-protocol-18 = figure-protocol-19

gdzie są wytrenowalne ciężarki uwagi. Dane wejściowe są ponownie ważone jako:

figure-protocol-20

Dzięki temu mechanizmowi model może podkreślić cechy istotne dla praktyki klinicznej w zależności od charakteru danych wykorzystywanych przez instytucję, co zwiększa jego elastyczność i interpretowalność.

Agregacja parametrów chroniąca prywatność
AR-FL stosuje bardzo bezpieczną agregację wraz z różnicowymi technikami prywatności, jeśli jest to konieczne, aby zachować najwyższy poziom prywatności podczas komunikacji. Bezpieczna agregacja: Użytkownicy szyfrują aktualizacje modelu w taki sposób, że serwer może obliczać jedynie całkowite, ale nie oddzielne wkłady.

Różnica prywatności: Dodaje szum do aktualizacji modelu:

figure-protocol-21

Gdzie σ kontroluje kompromis między prywatnością a dokładnością.

Podczas aktualizacji rozproszonych te podejścia zapewniają, że prywatne dane pacjentów lub informacje instytucjonalne nie są zagrożone wyciekiem.

Aktualizacja globalnego modelu
Po zakończeniu lokalnej fazy szkoleniowej w każdej instytucji, centralny serwer zbiera aktualizacje modeli przesyłane przez klienta. Aktualizacje te obejmują wyłącznie zmiany parametrów modelu i nie zawierają surowych danych pacjentów ani reprezentacji cech pośrednich. Aby połączyć wiedzę zdobytą od różnych instytucji, serwer stosuje metodę Federated Averaging (FedAvg). W tym procesie serwer oblicza ważoną średnią lokalnych modeli na podstawie ilości danych dostępnych w każdej instytucji. Instytucje dostarczające większe zbiory danych mają proporcjonalnie większy wpływ na zaktualizowany model globalny. Ponieważ aktualizacje były przesyłane za pomocą bezpiecznych technik agregacji, serwer nie może przeglądać ani izolować parametrów żadnej z poszczególnych instytucji. Zamiast tego serwer otrzymuje jedynie zaszyfrowaną lub chronioną prywatnością reprezentację połączoną. Gwarantuje to poufność procesu szkoleniowego oraz niszczenie wszelkich specyficznych dla instytucji wzorców lub cech pacjenta, które mogły zostać wykryte. Po obliczeniu zagregowanej aktualizacji serwer przygotowuje świeży, globalny model, który reprezentuje całkowitą wiedzę zdobytą od wszystkich współpracujących instytucji w tej rundzie komunikacyjnej. Nowy globalny model jest następnie wysyłany do każdej instytucji, aby rozpocząć kolejną rundę lokalnych szkoleń adversarialnych.

Optymalizacja iteracyjna
Uczenie się federowane to proces wieloetapowy, obejmujący kilka rund komunikacyjnych. Każda runda obejmuje szkolenie lokalnego modelu, bezpieczne wysyłanie aktualizacji, globalną agregację oraz późniejszą dystrybucję ulepszonego modelu uczestnikom. Powtarzające się rundy pomagają modelowi stopniowo przechodzić do solidnego, stabilnego rozwiązania. Podczas tych rund każda organizacja wnosi swoją wiedzę o populacji pacjentów, tworząc tym samym model, który pozwala identyfikować wzorce kliniczne w różnych środowiskach. Należy zauważyć, że szkolenia przeciwnika oraz mechanizm uwagi uwzględniający dane są czasem wdrażane poprzez szkolenia lokalne w każdej rundzie. W związku z tym model jest nieustannie udoskonalany, a jego siła w zwalczaniu ataków przeciwników rośnie, a zdolność do dostosowywania się do różnych rozkładów funkcji w różnych instytucjach rośnie. Dzięki iteracyjnej optymalizacji model nie tylko poprawia wydajność uogólniania, ale także staje się coraz bardziej tolerancyjny wobec nierównowagi danych, zmienności instytucjonalnej i środowisk adwersarialnych. Procedura jest wykonywana do momentu, gdy osiągnięta zostanie ustalona liczba rund komunikacyjnych lub model globalny wskaże stabilną zbieżność.

Ocena
Na koniec wszystkich rund komunikacyjnych ostateczny globalny model jest dokładnie oceniany przy użyciu zestawów testowych opartych na zbiorach danych uczestników. Ponieważ te zestawy testowe nie są używane do trenowania modelu, zapewniają uczciwą i bezstronną miarę wydajności modelu. Skuteczność modelu ocenia się poprzez obliczanie różnych metryk z różnych perspektyw. Czysta dokładność ocenia sytuację, w której panują normalne warunki. Mierzy poprawność modelu w przewidywaniu wyników śmiertelności. Natomiast dokładność adwersarna szacuje, w jakim stopniu model jest w stanie utrzymać swoją wydajność nawet po modyfikacji danych wejściowych w sposób adwersaryjny. Obszar pod krzywą charakterystyki operacyjnej odbiorcy (ROC) (AUC-ROC) dostarcza wglądu w biegłość modelu w rozróżnianiu żywych od zmarłych pacjentów. Wynik F1 służy jako wskaźnik zależności precyzji do przypomnienia, co jest szczególnie istotne dla niezrównoważonych zbiorów danych klinicznych. Luka uogólnień ujawnia różnice w wynikach między różnymi instytucjami, co pokazuje wszechstronność modelu w dostosowywaniu się do różnych źródeł danych. Ryzyko prywatności jest ostatecznie kwantyfikowane poprzez symulowane ataki przeciwnika, które ustalają, czy bezpieczna agregacja i opcjonalna różnica prywatności rzeczywiście skutecznie chronią poufność pacjentów. Wszystkie te metryki ewaluacyjne razem dają kompleksowy obraz mocy predykcyjnej modelu, odporności na ataki przeciwnika, stabilności w różnych instytucjach oraz przestrzegania wymogów ochrony prywatności. Algorytm 1 (Plik Uzupełniający 1) poniżej pokazuje Adversarial Robust Federated Learning (AR-FL) dla prognozowania ryzyka śmiertelności.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Model AR-FL został przetestowany na dwóch publicznie dostępnych, anonimowych, wieloinstytucjonalnych elektronicznych dokumentacji medycznych (EHR): MIMIC-III oraz eICU Collaborative Research Database, które obejmują różnorodne rejestry pacjentów z oddziału intensywnej terapii z wynikami śmiertelności w szpitalach. Zbiór danych został rozłożony na symulowane scenariusze szpitalne, odzwierciedlając rzeczywiste różnice między instytucjami w zakresie ich cech danych. Dla każdego klienta (instytucji) wytrenowano osobny model ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Niniejszy artykuł przedstawia model Adversarial-Robust Federated Learning (AR-FL), mający na celu poprawę przewidywania ryzyka śmiertelności za pomocą wieloinstytucjonalnych elektronicznych dokumentacji medycznych (EHR) poprzez poprawę dokładności, odporności i uogólnialności. Badanie pokazuje, że włączenie szkoleń adversarialnych do środowiska federacyjnego znacząco przyniesie modelowi większą odporność na zakłócenia wejściowe i zmienność domen między różnymi instytucjami. Te nowe wyniki są zgodne z poprzednimi, które w...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy deklarują brak konkurencyjnych interesów.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Adam OptimizerPyTorchhttps://pytorch.org/docs/stable/generated/torch.optim.Adam.htmlOptymalizacja
Zestaw narzędzi CUDANVIDIAhttps://developer.nvidia.com/cuda-toolkitWersja 11.8; Przyspieszenie GPU
Biblioteka Różnicowej PrywatnościOpacushttps://opacus.aiWersja 1.3.0; Szkolenia oparte na DP w zakresie ochrony prywatności
Współpraca Badawcza eICUPhysioNethttps://physionet.org/content/eicu-crd/2.0/Dane EHR pacjentów na OIOM-ie
MIMIC-IIIPhysioNethttps://physionet.org/content/mimiciii/1.4/Dane EHR pacjentów na OIOM-ie
Skrypt ataku PGDGitHubhttps://github.com/Saswati-C/AR-FL-HERWersja: commit-hash; Generowanie przykładów przeciwników
PyTorchPyTorch.orghttps://pytorch.orgWersja 2.0; Implementacja i trening modelu
Tesla V100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/v100/Trening modelu

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Trening przeciwstawnymodele chroni ce prywatnobezpieczna agregacjawspomaganie decyzji klinicznychuwaga wiadoma domenygeneralizacja mi dzyinstytucjonalnaodporno modelu predykcyjnego

Powiązane artykuły