Исследовательская статья

Состязательное надёжное федеративное обучение для безопасного прогнозирования риска смертности с использованием многоинституциональных электронных медицинских записей (EHR)

DOI:

10.3791/69104

⸱

12 мая 2026 г.

 , 
1Parul University, 2SoA Deemed to be University

В этой статье

Краткое содержание

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

В данном исследовании предлагается модель состязательно-устойчивого федеративного обучения (AR-FL) для прогнозирования риска смертности с использованием многоинституциональных электронных медицинских записей. Модель интегрирует минимальное состязательное обучение, внимание с учётом области и агрегацию, сохраняющую конфиденциальность, чтобы повысить устойчивость, адаптивность и конфиденциальность данных, обеспечивая создание безопасной, надёжной и обобщённой клинической системы поддержки принятия решений, подходящую для разнородных медицинских сред.

Аннотация

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

Электронные медицинские карты (EHR) являются основным источником данных, позволяющими принимать клинические решения на основе данных. Однако чувствительный характер ЭМК и строгие политики конфиденциальности в сфере здравоохранения затрудняют или невозможны централизованное обучение моделей. Модель Adversarially Robusted Federated Learning (AR-FL) предлагается для прогнозирования риска смертности пациентов в разных учреждениях без обмена исходными данными EHR. Основная цель этого исследования — внедрить безопасную, воспроизводимую и масштабируемую процедуру для обучения моделей, сохраняющих конфиденциальность и устойчивость к противникам, в различных клинических условиях. В этом исследовании применяется минимально-максимальный подход состязательного обучения в каждом учебном заведении для повышения устойчивости к наихудшим нарушениям. Также применяется механизм вниманительного внимания для динамической адаптации к различиям в распределении клинических признаков внутри учреждения. Для обеспечения конфиденциальности обновления модели объединяются с использованием методов защиты конфиденциальности, которые блокируют раскрытие чувствительных данных пациентов во время федеративной коммуникации. Это исследование определяет весь процесс — от предварительной обработки данных и создания состязательных примеров до локального обучения, безопасной агрегации и глобальной оценки моделей, что позволяет осуществлять последовательную реализацию в различных медицинских средах. Экспериментальные валидации показывают, что модель AR-FL достигает превосходной предиктивной эффективности, устойчивости противника и межинституциональной обобщённости. Создавая стандартизированную систему обучения и оценки, это исследование способствует разработке надёжных и этически соответствующих систем поддержки клинических решений.

Введение

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

Federated Learning (FL) стал трансформирующей парадигмой для аналитики здравоохранения, сохраняющей конфиденциальность, позволяя совместное обучение моделям по децентрализованным данным электронных медицинских карт (EHR) без обмена исходной информацией о пациентах. Такой подход смягчает изолированные данные и регуляторные ограничения, одновременно повышая прогнозную эффективность в таких задачах, как прогнозирование смертности. Однако, несмотря на эти преимущества, FL-системы остаются уязвимыми к враждебным и отравляющим атакам. Рисунок 1 иллюстрирует совместную архитектуру и рабочий процесс федеративного обучения между распределёнными клиническими учреждениями.

figure-introduction-1
Рисунок 1: Общая архитектура федеративного обучения и приложения медицинской визуализации. Этот рисунок иллюстрирует стандартный рабочий процесс федеративного обучения, показывая децентрализованное хранение данных, обучение локальной модели и безопасную агрегацию на сервере, а также его применение в медицинском анализе визуализации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Недавние достижения в аналитике здравоохранения подчёркивают эффективность моделей глубокого обучения в обработке крупномасштабных данных ЭМК. Предыдущие исследования1 показали, что глубокое обучение может давать точные и масштабируемые прогнозы с использованием необработанных клинических данных. Кроме того, Миотто и др.2 рассмотрели более широкие возможности и вызовы, связанные с внедрением глубокого обучения в системах здравоохранения. Кроме того, специализированные инновации, такие как ClinicalBERT3 , улучшили понимание клинического текста и прогнозные возможности, а эталонные наборы данных, такие как MIMIC-III4, MIMIC-IV5 иeICU 6 , позволили проводить воспроизводимые и масштабные оценки в исследованиях интенсивной терапии.

Федеративное обучение привлекло значительное внимание как решение, позволяющее обеспечить совместную аналитику в здравоохранении без ущерба для конфиденциальности данных. Существующиеисследования 7,8 обсуждали его роль в развитии цифрового здравоохранения, а также связанные с ними проблемы и вопросы открытых исследований. Кроме того, федеративное обучение показало практическую применимость в реальных медицинских ситуациях, включая многоинституциональноесотрудничество 9 и прогнозирование клинических исходов для пациентов сCOVID-19 10. Однако такие проблемы, как гетерогенность данных, остаются значительными. Для решения этой проблемы были предложены стратегии оптимизации для гетерогенных сред11 и такие подходы, какFedBN 12, использующие локальную пакетную нормализацию, для улучшения сходимости и обобщения моделей.

Безопасность и устойчивость в федеративном обучении стали критичными вопросами из-за растущей угрозы противника. Концепция состязательныхпримеров 13 показала, что небольшие возмущения могут с высокой уверенностью вводить модели глубокого обучения в заблуждение. В федеративных условиях эти уязвимости усугубляются угрозами, такими как «бэкдор-атаки» 14 и отравление моделей. Для устранения этих рисков были предложены устойчивые к противникам кластерные федеративные методы обучения и надежные методы оптимизации на основе состязательногообучения 15,16. Кроме того, были разработаны безопасные коммуникационные рамки, интегрирующие градиентное бустинг и моделиLSTM 17, чтобы смягчить атаки «человек посередине». В то же время продвинутые архитектуры, такие какDBAFL 18,19, направлены на защиту от отравленных атак в распределённых средах.

Сохранение конфиденциальности остаётся фундаментальным требованием в федеративных системах здравоохранения. Совместно обученные модели могут утекать конфиденциальную информацию через атаки на основе GAN, что подчёркивает присущие рискиконфиденциальности 20. Для снижения таких проблем были введены протоколы безопасности агрегации21 и дифференциальные методыконфиденциальности 22, обеспечивающие конфиденциальность в распределённом обучении. Кроме того, были предложены решения на основеблокчейна 23,24 для безопасного управления ЭМК и обмена данными, а дополнительные исследования25, 26, 27, 28 расширяют эти подходы для повышения совместимости, безопасности и эффективности в системах здравоохранения.

Быстрый прогресс искусственного интеллекта в здравоохранении также привёл к созданию гибридных интеллектуальных моделей и интегрированных систем, которые улучшают прогнозную эффективность и принятие решений. Предыдущие исследования также обсуждали трансформирующую роль ИИ вмедицине 29 и враждебные атаки и защитные механизмы в системах машинногообучения 29,30.

Несмотря на эти достижения, существующие исследования остаются фрагментированными. Многие федеративные модели обучения не обеспечивают устойчивость противника, что делает их уязвимыми к атакам. Кроме того, гетерогенность доменов часто недостаточно учитывается, что ограничивает обобщения между учреждениями. Механизмы, сохраняющие конфиденциальность, часто реализуются изолированно, без интеграции с надёжностью и стратегиями адаптации к области, что приводит к неполным и менее надёжным системам ИИ в здравоохранении. Для устранения этих ограничений в данной статье предлагается интегрированная структура Adversarial Robust Federated Learning, сочетающая состязательное обучение, механизмы внимания, ориентированные на предметную область, и безопасную агрегацию. Предлагаемый подход повышает устойчивость к атакам, повышает адаптивность в разнородных клинических условиях и обеспечивает конфиденциальность данных пациентов, обеспечивая комплексное решение для реальных многоинституциональных медицинских приложений.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Предлагаемая методология
Предлагаемая модель Федеративного обучения (Adversarially Robust Federated Learning, AR-FL) направлена на безопасное и совместное прогнозирование риска смертности пациентов в различных медицинских учреждениях, одновременно защищая конфиденциальность данных и делая систему устойчивой к возражениям. Развертывание включает четыре основных элемента: (1) структуру Федеративного обучения, (2) соперническое обучение на основе оптимизации min-max, (3) механизм вниманительного контроля и (4) агрегирование параметров, сохраняющее конфиденциальность. Методология реализуется в систематическом потоке, предназначенном для состязательного устойчивого федеративного обучения с целью оценки риска смертности. Процесс, показанный на рисунке 2, начинается с сбора данных из многочисленных медицинских учреждений, за которым следует предварительная обработка данных для стандартизации признаков и обработки отсутствующих значений. Глобальная модель сначала создаётся на центральном сервере, а затем отправляется в каждое медицинское учреждение. Локальное состязательное обучение проводится внутри медицинских учреждений, повышая устойчивость модели к возмущениям и позволяя адаптировать её к данным, специфичным для области. После обучения параметры локальных моделей безопасно доставляются на сервер с помощью защищённой агрегации параметров. Сервер включает эти вклады локальной модели для обновления глобальной модели. Этот процесс повторяется несколько раз в итеративной оптимизации для облегчения совместной доработки модели. В результате модель тщательно оценивается с использованием клинических ориентиров, которые оценивают её прогностическую эффективность, устойчивость противника и обобщение между учреждениями.

figure-protocol-1
Рисунок 2: Предлагаемая модель AR-FL. На данном рисунке представлена общая архитектура предлагаемой модели состязательно-устойчивого федеративного обучения, включая состязательное обучение, внимание с учётом области и безопасную агрегацию, сохраняющую конфиденциальность. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Сбор данных
Для этого исследования используются два общедоступных набора данных электронных медицинских карт (EHR):MIMIC-III 4 и база данных eICU Collaborative ResearchDatabase 6. MIMIC-III обеспечивает более 40 000 госпитализаций в отделения интенсивной терапии из одной крупной больницы, тогда как данные eICU охватывают более 200 000 пребывания в реанимации в различных больницах США. Соответствующие демографические характеристики пациентов, клинические измерения, результаты лабораторных анализов, зафиксированные события и исходы, зафиксированные в этих потоках данных, делают их очень привлекательными для задачи прогнозирования риска смертности. Наборы данных ЭМК разделяются на отдельные части, чтобы создать реалистичную многоинституциональную федеративную образовательную среду; каждая часть представляет собой разную больницу или учреждение. Метод отражает различия между учреждениями в характеристиках пациентов, клинических протоколах, стилях документации и доступности данных. Каждое смоделированное учреждение может получить доступ только к своему собственному поднабору данных и не обменивается сырыми записями с центральным сервером или другими участвующими клиентами. Такой подход гарантирует полное соблюдение принципов сохранения конфиденциальности, одновременно имитируя реальные ограничения межбольничного сотрудничества. Метки смертности извлекаются из полей исходов, указанных в наборах данных, например, из показателей смертности в больнице. Эти метки служат мишенями прогнозирования для федеративной модели обучения. Таким образом, каждое учреждение ведёт собственный локальный набор записей о характеристиках пациентов, связанных с исходами смертности, что позволяет проводить обучение по децентрализованной модели без раскрытия конфиденциальной информации о пациентах.

Предварительная обработка данных
Каждое учреждение самостоятельно обрабатывает свои локальные данные EHR перед началом обучения модели. Поскольку федеративное обучение запрещает обмен данными на уровне пациентов или даже сводной статистикой между участвующими учреждениями, все этапы предварительной обработки выполняются локально в каждом учреждении и основаны только на информации из набора данных этого учреждения. Процесс предварительной обработки состоит из нескольких ключевых этапов. Сначала нормируются численные клинические переменные, такие как жизненно важные показатели, результаты лабораторных тестов и физиологические измерения, чтобы устранить различия в диапазонах значений и стабилизировать сходимость моделей. Локальные данные каждого учреждения являются единственным источником для вычисления статистики, используемой для нормализации. Далее категориальные атрибуты, такие как пол, тип поступления или диагностические категории, преобразуются в числовые представления с помощью методов, таких как one-hot кодирование или специфические для учреждения отображения. Таким образом, федеративная модель может обрабатывать категориальные данные без использования общих кодировочных словарей или межинституциональных справочных таблиц. В-третьих, отсутствующие данные, которые часто встречаются в клинических наборах данных, обрабатываются с помощью локальных методов импутации. В зависимости от типа признака и клинического контекста учреждения могут прибегать к импутации средних средств, форвардному заполнению на основе предыдущих наблюдений или даже к клиническим заменам на основе правил. Поскольку каждое учреждение выполняет импутацию независимо, внешние метаданные или общие параметры импутации не требуются. Следуя этим процедурам, каждое учреждение может создать полный обработанный набор данных с соответствующими результатами смертности. Локальные наборы данных затем используются как входные данные для обучения федеративной модели. На протяжении всего процесса предварительной обработки за пределы учреждения не передаются исходные данные, производные статистические данные или промежуточные выходы, что гарантирует строгое соблюдение практик управления данными, сохраняющими конфиденциальность.

Инициализация модели
Пусть K {1, 2,..., K} — это собрание вовлечённых институтов (клиентов), где каждое учреждение обладает локальным набором данных. figure-protocol-2{ figure-protocol-3 где figure-protocol-4 представляет входные признаки ЭМК, а figure-protocol-5 — соответствующую метку смертности (бинарную или категорическую). Глобальная модель figure-protocol-6 обучается совместно на всех клиентах, где θ — общие параметры модели.

Процесс следует стандартному протоколу FedAvg:
Центральный сервер инициализирует глобальные figure-protocol-7 параметры и транслирует их. Каждый клиент k∈K выполняет локальное обучение, используя свои данные, и обновляет модель до figure-protocol-8 . Сервер объединяет обновления, беря взвешенное среднее:

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

Процедура инициализации центрального сервера и этапы локального обучения проходят для раундов глобальной связи T.

Локальное состязательное обучение (оптимизация Min–Max)
Для повышения устойчивости каждый клиент проходит обучение по состязанию на своём местном объекте. Вместо того чтобы минимизировать эмпирический риск чистых данных, клиенты занимаются задачей min-max:

figure-protocol-12(x+δ),y)

L: Функция потерь
δ: Состязательное возмущение, ограниченное figure-protocol-13
S: Пространство враждебной угрозы
figure-protocol-14(x+δ): Предсказание при возбужденном входе

В момент каждой локальной эпохи состязательные образцы создаются с использованием метода проецируемого градиентного спуска (PGD) или метода быстрого градиентного знака (FGSM). Затем обучение модели продолжается с этими образцами для повышения её устойчивости.

Механизм вниманительного отношения
Данные электронных медицинских карт (EHR) из разных учреждений могут сильно различаться по распределению, семантике признаков и клинической практике. Для решения этой проблемы модель AR-FL включает в свою модель модуль внимания, специфический для конкретной области.

Пусть figure-protocol-15 figure-protocol-16 — входной вектор из учреждения k. Веса figure-protocol-17 внимания для каждой признака j∈ {1..., d} вычисляются следующим образом:

figure-protocol-18=figure-protocol-19

где — тренируемые веса внимания. Входные данные перевзвешиваются следующим образом:

figure-protocol-20

Благодаря этому механизму модель может подчеркнуть характеристики, важные для клинической практики, в зависимости от характера используемых учреждениями данных, тем самым повышая её адаптивность и интерпретируемость.

Агрегация параметров, сохраняющая конфиденциальность,
AR-FL использует очень безопасную агрегацию вместе с дифференциальными методами конфиденциальности, если это необходимо для поддержания максимального уровня конфиденциальности во время общения. Безопасная агрегация: пользователи шифруют обновления своих моделей таким образом, что сервер может вычислить только сумму, но не отдельные взносы.

Дифференциальная конфиденциальность: добавляет шум в обновления моделей:

figure-protocol-21

Где σ контролирует компромисс между конфиденциальностью и точностью.

Во время распределённых обновлений эти подходы гарантируют, что частные данные пациентов или информация учреждений не подвергаются риску утечки.

Глобальное обновление модели
После завершения локального этапа обучения в каждом учреждении центральный сервер собирает обновления модели, присылаемые клиентом. Эти обновления состоят исключительно из изменений параметров модели и не включают исходные данные пациентов или промежуточные представления признаков. Для объединения знаний, полученных различными учреждениями, сервер применяет метод федеративного усреднения (FedAvg). В этом процессе сервер вычисляет взвешенное среднее по локальным моделям на основе объёма доступных данных в каждом учреждении. Учреждения, предоставляющие более крупные наборы данных, оказывают пропорционально большее влияние на обновлённую глобальную модель. Поскольку обновления передавались с использованием защищённых методов агрегирования, сервер не может просматривать или изолировать параметры отдельного учреждения. Вместо этого сервер получает только зашифрованное или защищенное конфиденциальностью комбинированное представление. Это гарантирует конфиденциальность процесса обучения и уничтожение любых специфических для учреждения закономерностей или характеристик пациента, которые могли быть обнаружены. После вычисления агрегированного обновления сервер готовит новую глобальную модель, которая отражает общее количество знаний, полученных всеми сотрудничающими учреждениями в этом раунде коммуникации. Новая глобальная модель затем возвращается во все учреждения для начала следующего этапа местного сопернического обучения.

Итеративная оптимизация
Федеративное обучение — это многоступенчатый процесс, включающий несколько раундов коммуникации. Каждый раунд включает обучение локальной модели, безопасную отправку обновлений, глобальную агрегацию и последующее распространение улучшенной модели среди участников. Повторяющиеся раунды помогают модели постепенно двигаться к устойчивому и надёжному решению. Во время этих этапов каждая организация применяет свои знания о своей пациентской популяции, создавая модель, способную выявлять клинические закономерности в различных условиях. Следует отметить, что состязательная тренировка и механизм вниманительного внимания иногда реализуются через локальное обучение в каждом раунде. Таким образом, модель постоянно совершенствуется, её способность противостоять враждебным атакам растёт, а способность адаптироваться к различным распределениям функций между учреждениями растёт. Благодаря итеративной оптимизации модель не только улучшает свои результаты обобщения, но и становится всё более терпимой к дисбалансу данных, институциональным вариациям и условиям соперничества. Процедура выполняется до тех пор, пока не достигнет либо заданного количества раундов связи, либо глобальная модель не покажет стабильную сходимость.

Оценка
В конце всех раундов коммуникации итоговая глобальная модель тщательно оценивается с использованием отложенных тестовых наборов, полученных из наборов данных участников. Поскольку эти тестовые наборы не используются для обучения моделей, они обеспечивают справедливую и беспристрастную оценку производительности модели. Эффективность модели оценивается с помощью вычисления различных метрик с нескольких точек зрения. Чистая точность оценивает ситуацию, когда существуют нормальные условия. Он измеряет корректность модели при прогнозировании исходов смертности. В отличие от этого, состязательная точность оценивает степень, в которой модель способна сохранять свою производительность даже при изменении входных данных в противоположном ключе. Область под кривой операционной характеристики приемника (ROC) (AUC-ROC) даёт представление о навыках модели в различии живых и умерших пациентов. Показатель F1 служит индикатором связи точности и воспоминания, что особенно важно для несбалансированных клинических наборов данных. Пробел в обобщении выявляет разницу в эффективности между различными учреждениями, тем самым демонстрируя универсальность модели в адаптации к различным источникам данных. Риск конфиденциальности окончательно измеряется с помощью имитационных враждебных атак, которые определяют, действительно ли безопасная агрегация и опциональная дифференциальная конфиденциальность эффективны для защиты конфиденциальности пациентов. Все эти показатели оценки вместе дают всестороннюю картину предсказательной способности модели, устойчивости к враждебным атакам, стабильности между различными учреждениями и соблюдения требований по сохранению конфиденциальности. Алгоритм 1 (Дополнительный файл 1) ниже демонстрирует Adversarial Robust Federated Learning (AR-FL) для прогнозирования риска смертности.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Модель AR-FL была протестирована на двух общедоступных, деидентифицированных многоинституциональных электронных медицинских картах (EHR): MIMIC-III и базе данных eICU Collaborative Research Database, которые включают различные записи пациентов реанимации с результатами смертности в больнице. Набор данных был распределен по смоделированным сценариям больниц, отражая реальные различия между учреждениями по характеристикам данных. Отдельная модель была обучена для каждого клиента (учреждени...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В этой статье представлена модель состязательно-устойчивого федеративного обучения (AR-FL), направленная на повышение прогнозирования риска смертности с использованием многоинституциональных электронных медицинских карт (EHR) путём повышения точности, устойчивости и обобщаемости. Исследование показывает, что внедрение состязательного обучения в федеративную среду значительно поможет модели, сделав её более устойчивой к возмущениям на входе и вариативности предметов между различными учреж...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы не заявляют о конкурирующих интересах.

Благодарности

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

Ни одного.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Adam OptimizerPyTorchhttps://pytorch.org/docs/stable/generated/torch.optim.Adam.htmlОптимизация
Набор инструментов CUDANVIDIAhttps://developer.nvidia.com/cuda-toolkitВерсия 11.8; Ускорение GPU
Библиотека дифференциальной конфиденциальностиОпакусhttps://opacus.aiВерсия 1.3.0; Обучение по сохранению конфиденциальности на основе DP
Совместная исследовательская база данных eICUPhysioNethttps://physionet.org/content/eicu-crd/2.0/Данные ЭМК пациентов в отделении интенсивной терапии
MIMIC-IIIPhysioNethttps://physionet.org/content/mimiciii/1.4/Данные ЭМК пациентов в отделении интенсивной терапии
Скрипт атаки PGDGitHubhttps://github.com/Saswati-C/AR-FL-HERВерсия: commit-hash; Генерация состязательных примеров
PyTorchPyTorch.orghttps://pytorch.orgВерсия 2.0; Внедрение и обучение модели
Tesla V100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/v100/Обучение моделям

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи