基于联邦学习与同态加密的隐私增强型心梗检测方法研究

为解决医疗数据隐私与安全难题，研究人员创新性地将联邦学习(FL)与同态加密(HE)结合，开发出基于CKKS加密方案的FFNN心梗预测模型。该方案通过FedAvg算法实现边缘设备本地训练与加密参数聚合，在保持95%准确率的同时杜绝原始数据泄露，为GDPR/HIPAA合规的智慧医疗提供新范式。

　　

心血管疾病是全球第二大死因，仅美国每34秒就有一人因此丧生。传统机器学习(ML)虽能通过分析ECG等数据预测心梗风险，但集中式训练面临GDPR/HIPAA合规挑战——医疗机构不愿共享敏感数据，而模型参数也可能泄露隐私。更棘手的是，印度等发展中国家高达14.5%的疾病负担来自心梗，却缺乏安全高效的早期预警系统。

针对这一困境，研究人员开发了融合联邦学习(Federated Learning, FL)与全同态加密(Fully Homomorphic Encryption, FHE)的创新框架。该方案允许医院在本地训练前馈神经网络(Feed Forward Neural Network, FFNN)，仅上传经CKKS方案加密的模型参数，服务器通过联邦平均(Federated Averaging, FedAvg)完成安全聚合。实验采用5111例卒中预测数据集，在7%样本不平衡条件下仍实现96.6%准确率与97.01%召回率。

关键技术包括：1) FL架构实现边缘设备分散训练；2) CKKS同态加密保护梯度传输；3) FedAvg优化全局模型聚合；4) 针对卒中数据的特征工程处理。

【文献调研】
现有研究表明，FL能避免原始医疗数据集中存储，但模型更新仍存在隐私泄露风险。HE虽可加密计算，但传统方案如RSA无法支持深度神经网络训练。本研究首次将支持浮点运算的CKKS方案应用于心梗预测场景。

【FL原理】
通过FedAvg算法协调多节点训练：各边缘设备下载全局模型，用本地数据计算更新后，仅将加密的权重矩阵上传。服务器对密文执行加权平均，生成的新模型无需解密即可分发。

【HE增强】
采用CKKS方案实现三层次保护：1) 本地训练数据永不离开设备；2) 上传参数为同态密文；3) 聚合过程在加密空间完成。数学验证显示，攻击者无法从密文梯度反推原始数据。

【实验结果】
在类别不平衡的卒中数据集上，最终迭代获得23.86%损失值，F1-score达95.92%。相比传统集中式训练，隐私保护成本仅增加17%计算耗时，远低于Paillier等加密方案。

【结论】
该研究首次验证了FL+HE在真实医疗场景的可行性：1) 突破数据孤岛实现多机构协作；2) 加密状态下保持95%+临床级准确率；3) 计算效率满足边缘设备实时性要求。Vankamamidi S. Naresh团队指出，下一步将探索量子抗性加密与模型蒸馏的结合，以适应移动健康设备的资源限制。论文发表于《Smart Health》为智慧医疗隐私计算树立了新标杆。