基于区块链与深度集成学习的肺癌检测及安全数据共享框架研究

《Computational Biology and Chemistry》：Deep Ensemble Model with Blockchain Technology for Lung Cancer Detection with Secured Data Sharing

本文提出一种融合区块链安全数据共享与改进深度集成学习模型（HCNN-ALSTM）的肺癌诊断框架，通过改进磷虾群算法（MKHA）优化模型参数，在确保患者隐私（通过区块链与联邦学习实现）的同时，显著提升了CT影像诊断准确率（达91.64%），为精准医疗提供了安全高效的解决方案。

　　

研究亮点

结论

本研究设计了一种结合深度学习与区块链技术的新型方法，用于有效诊断肺癌。所开发的模型包含三个阶段。首先，从可用的数据资源中收集必要的医疗数据。获取的医疗健康信息使用区块链技术进行安全存储。利用区块链的主要目的是使该方法能够在分布式网络内获取患者输入数据，以诊断特定的医疗状况，同时确保数据的完整性和机密性。其次，使用一种新颖的混合集成深度学习模型，即混合卷积神经网络结合自动编码器和长短期记忆网络（HCNN-ALSTM），进行肺癌诊断。该模型通过结合CNN、自动编码器和LSTM，能够有效处理CT扫描图像中的空间特征和时序依赖关系。第三，采用改进的磷虾群算法（MKHA）对HCNN-ALSTM模型的关键超参数进行优化，例如学习率、各CNN层中的滤波器数量、LSTM层中的隐藏单元数量以及自动编码器的潜在维度。这种优化动态更新全局模型权重，从而提高了学习效率和准确性。通过MKHA优化HCNN-ALSTM框架的参数，可以有效提高从CT扫描图像中进行早期诊断的准确性，同时确保跨多个医疗机构的隐私保护数据共享，使得医疗提供者之间能够进行安全协作，而不损害患者隐私。对所提出的MKHA-HCNN-ALSTM模型进行了广泛的实验评估，并与现有方法进行了比较。MKHA-HCNN-ALSTM模型显著优于所有这些架构，准确率达到91.64%。此外，所设计的框架还实现了92.2%的特异性、84.17的马修斯相关系数（MCC）、92.44的Fowlkes-Mallows指数（FM）、84.2的Bookmaker Informedness（BM）和84.13的Markedness（MK），这些指标均高于传统模型，如图卷积网络（GCN）、长短期记忆网络（LSTM）、人工神经网络（ANN）和HCNN-LSTM模型。因此，这些发现凸显了所开发模型在早期肺癌检测方面的潜力，最终有助于改善临床决策和患者护理。

基金声明

无

伦理声明

本文不包含任何作者进行的涉及人类参与者或动物的研究。

作者贡献声明

N Srinivasu： 概念化。 Hari Krishna Kalidindi： 概念化。

利益冲突声明

作者声明无利益冲突

致谢

我要感谢我的父母在我学习期间给予的支持和鼓励。

利益冲突声明

无利益冲突