基于加密垂直分区数据的非交互式在线医疗预诊断系统PPNLR：隐私保护与高效协同的新方案

本文推荐一种创新的隐私保护非交互式逻辑回归方案（PPNLR），针对医疗数据垂直分区场景，融合功能加密（FEIP）与随机掩码技术，实现单轮通信的高效模型训练。该系统在保证数据安全（抵抗推理攻击与合谋攻击）的同时，准确率接近集中式明文基准，计算效率提升3.6倍以上，为构建安全实用的在线医疗预诊断（OMPD）系统提供了关键技术支撑。

　　

亮点

• 非交互式训练：基于设计的样本-特征维度加密算法和隐私保护向量化训练算法，PPNLR方案仅需多个数据提供方（DPs）与云服务器之间进行单向传输。

• 抵抗推理攻击：PPNLR保护DPs的数据、局部梯度和模型参数隐私。医疗样本通过功能加密和随机盲化因子联合保护，使得云服务器仅能访问全局训练数据，无法从局部梯度更新中推断敏感信息。

• 实现高精度模型与高效性能：PPNLR采用拟合多项式替代逻辑回归（LR）模型中的逻辑函数。该多项式与原始损失函数行为一致，确保替换不会导致任何精度损失。

方法

我们提出PPNLR，一个用于构建在线医疗预诊断（OMPD）系统的安全框架。该框架结合功能加密（FEIP）和盲化因子，设计了样本-特征维度加密算法和隐私保护向量化训练算法。通过将样本计算与模型训练解耦，实现了医院与云服务器间仅需单次通信的跨客户端数据聚合。

结果

安全分析表明，PPNLR能够抵抗半诚实推理攻击和合谋攻击。基于六个真实医疗数据集（文本和图像）的评估结果显示：（i）推理准确率接近集中式明文训练基准；（ii）计算效率比同类方法至少提高3.6倍；（iii）通过消除对迭代次数的依赖，通信复杂度显著降低。

结论

PPNLR通过密码学原语实现数据保护，在确保医疗数据和模型参数安全的同时保持高诊断准确性。其单次通信架构显著降低了资源受限场景下的部署门槛，为构建隐私友好的在线医疗预诊断（OMPD）系统提供了实用框架。