利用联邦边缘学习和区块链技术提升医疗领域的隐私保护和公平性

《IEEE Internet of Things Journal》：Advancing Privacy and Fairness in Healthcare Using Federated Edge Learning and Blockchain

医疗物联网与联邦学习的隐私保护框架SecureMed提出分布式架构、公平联邦学习、安全多方计算及区块链声誉模型，解决医疗数据隐私与模型偏差问题，实验验证其在CIC IoMT 2024数据集上的有效性。

　　

摘要：

人工智能（AI）已经革新了许多领域，包括医疗保健。在癌症诊断等关键医疗任务中采用AI技术，为医疗系统的变革带来了巨大潜力。AI算法可以通过庞大的数据集进行训练，以识别模式、检测异常并提供准确的评估。然而，缺乏真实且最新的医疗数据对AI技术的广泛应用构成了重大挑战。此外，围绕敏感医疗数据（特别是患者健康记录PHRs）的隐私问题也阻碍了医疗从业者之间的数据共享。本文旨在通过提出一个名为SecureMed的新框架来应对这些挑战，该框架利用联邦学习（FL）和区块链技术来保护医疗系统中的隐私。具体而言，SecureMed包括：1）一种新颖的分布式架构，能够实现基于多个移动边缘计算（MEC）的医疗物联网（IoMT）设备之间的安全协作，同时确保医疗系统的隐私；2）一种公平性考虑的FL解决方案，以确保所有参与医疗机构之间的模型性能平衡，解决数据贡献不平衡的问题；3）一种安全的多方计算（SMPC）协议，以确保本地模型更新的安全聚合；4）一种基于区块链的声誉模型，用于协作式FL训练。所提出的框架利用智能合约来确保FL过程中的可信度、去中心化和透明度。使用CIC IoMT数据集2024进行的实验结果凸显了SecureMed在革新医疗系统方面的巨大潜力。

引言

物联网（IoT）通过连接设备和智能系统实现了实时数据收集、持续监测和改善的患者管理，正在改变医疗保健领域。特别是，物联网在提升疾病检测、治疗和长期护理方面具有巨大潜力，尤其是在癌症等复杂疾病的治疗中。通过将IoT技术整合到医疗基础设施中，提供者可以获得及时的洞察，自动化流程，并提供更加个性化和高效的护理。全球的医疗系统面临着提高患者护理质量和可及性的压力，同时还要应对不断上升的成本和资源限制。尽管有这些好处，医疗物联网系统仍面临严重的安全挑战。连接的医疗设备和网络容易受到数据泄露、勒索软件、拒绝服务（DoS）以及针对人工智能（AI）模型的恶意攻击等威胁。这些威胁可能会泄露敏感的患者信息，扰乱关键的医疗服务，并危及患者安全。物联网设备的复杂性和分布式特性进一步增加了攻击面，使得传统的安全方法变得不足。