基于差分隐私保护的深度学习模型在心血管疾病预测中的隐私-效用平衡研究

为解决医疗数据隐私保护与模型性能间的矛盾，研究人员开展基于差分隐私(DP)的心血管疾病(CVD)预测模型研究。通过优化ResNet-SE和Transformer架构，在?=10时实现仅0.03的AUC下降，显著改善罕见病分类性能，为临床部署隐私保护模型提供新范式。

　　

心血管疾病(CVD)是全球致死率最高的疾病之一，早期诊断对改善预后至关重要。尽管深度学习在12导联心电图(ECG)分析中展现出卓越性能，但医疗数据的敏感性导致模型面临隐私泄露风险——研究表明，攻击者可通过模型逆向工程重构患者原始ECG数据。更严峻的是，多医院数据整合虽能提升罕见病检出率，却可能因数据共享加剧隐私隐患。差分隐私(DP)技术通过向梯度添加噪声来保护数据，但现有DP-ECG模型在隐私预算?≤10时普遍出现AUC值0.2以上的性能滑坡，严重制约临床实用性。

为破解这一困局，Zoher Orabe团队在《Biomedical Signal Processing and Control》发表研究，首次系统评估了不同DP约束下ECG分类器的表现差异。研究采用PhysioNet/CinC Challenge等5个公开数据库的94,192例训练样本，包含17类心血管异常。关键技术包括：1) 构建ResNet-SE和Transformer(CTN)架构的DP-Adam优化流程，采用梯度裁剪和Rényi DP(RDP)会计机制；2) 通过减少残差层输出通道数实现模型压缩(ResNet-SE #4仅14.3万参数)；3) 采用手工特征提取的MLP和逻辑回归(LR)作为基线；4) 以G12EC数据库8,827例样本作为独立测试集，评估宏/微平均AUC及个体类别性能。

模型性能比较显示，原始ResNet-SE(880万参数)在?=10时宏AUC从0.90降至0.79，而压缩98.4%参数的ResNet-SE #4仅下降0.03。Transformer表现最差，?=1时宏AUC暴跌0.28。值得注意的是，基线模型虽受DP影响小(ΔAUC≤0.04)，但绝对性能低下(MLP AUC=0.71)。

模型架构实验揭示，参数量与噪声敏感度呈正相关。ResNet-SE #4在?=10时以142,934参数实现0.87宏AUC，显著优于1300万参数的CTN(0.64)。统计证实模型复杂度与DP存在交互作用(p<0.05)，简化架构可缓解噪声干扰。

类别特异性分析发现，DP对罕见病影响更大：左束支阻滞(LBBB)(1.19%占比)在?=1时AUC降0.10，而占比3.10%的房性早搏(PAC)降幅达0.28。Kendall检验显示类别规模与性能下降呈负相关(τ=-0.508)。但优化后的ResNet-SE #4在11/17类别上超越原模型，如?=1时对LBBB的AUC提升0.06。

该研究证实模型压缩是改善DP-ECG性能的有效策略，在?=10时实现接近非私有的分类精度(ΔAUC≤0.03)。这一突破使临床部署隐私保护模型成为可能，尤其利于多医院协作研究。但作者指出，超参数调优的隐私成本仍需纳入考量，且Transformer架构需专门优化以适配DP训练。未来研究可探索联邦学习与DP的协同方案，进一步平衡医疗AI的效用与伦理要求。