基于区块链的差分隐私联邦学习用于安全可信的医疗数据管理

《Sustainable Computing: Informatics and Systems》：Blockchain-Enabled Differentially Private Federated Learning for Secure and Trustworthy Healthcare Data Management

　　

•区块链增强安全医疗数据管理 •差分隐私保护敏感电子健康档案信息 •联邦学习实现去中心化医疗分析 •智能合约确保模型治理的可信度 •取得AUC-ROC为0.997、PR-AUC为0.977的性能表现

## 引言

随着数字健康平台的日益普及，电子健康档案（EHR）的采用将临床数据转变为开发具有先进决策能力的预测机器学习模型的宝贵资源[1]。深度学习模型在大规模患者数据上训练后，展现出强大的疾病预测和风险评估能力[2]；然而，集中式数据汇集在患者数据隐私保护和遵守国家医疗治理政策方面引发了严重关切[3]。因此，去中心化和隐私保护方法受到广泛关注，以在不承担参与医疗机构伦理或法律责任的情况下实现安全的医疗人工智能开发。为支持这一过程，联邦学习（FL）模型的集成提供了一种协作机制，其中本地医院节点服务器存储的本地数据无需共享即可保留[4]。医疗机构在患者数量、计算能力、连通性和运营条件方面通常存在差异，特别是在大都市、城市、城镇和农村环境中。在这种情况下，以去中心化方式学习的能力将使组织能够本地存储电子健康档案，而无需将敏感的患者信息集中合并。以这种方式协作的能力将促进具有不同能力和容量的异构组织之间的安全和有效协作。尽管保留了数据本地性，但传统医疗联邦学习仍易受共享梯度和模型更新中的信息泄露影响，而对参与者行为的透明问责有限[5]。许多技术还需要一个集中权限进行聚合以及相似的计算和通信能力，这在多样化的医疗环境中并不容易维持[6]。恶意或流氓实体还可能尝试毒化更新信息以及与训练相关的信息，而不会留下任何可证明的历史记录或审计机制[7]。因此，当前医疗领域的联邦学习尚无任何技术或方法能够同时确保本地更新信息的隐私、去中心化治理和协调。这一差距促使在所提出的框架中集成差分隐私与基于区块链的验证和可审计性。

这些挑战突显了将更强的隐私保护和可验证治理集成到联邦医疗分析中的必要性。区块链是一种防篡改的分布式账本系统，可提供不可变的日志记录、信任管理和可抵抗的访问控制执行[8]。当与差分隐私（DP）和安全聚合结合时，区块链可以防止敏感患者信息的泄露，同时确保可追溯性和经审计的操作策略。本研究解决的是"如何设计一个安全、可信的去中心化医疗学习系统，该系统能够保护患者隐私、实现透明治理并确保跨越多个城市/级别的异构医疗环境"这一问题。本工作提出了一个权限型区块链集成的联邦学习框架，该框架强制实施模型更新的认证和来源追踪，同时将电子健康档案数据本地保留在节点服务器上。该设计包括通过基于DP-SGD的所提出的隐私保护和本地脱敏处理，以及安全聚合生态系统。

本工作的新颖性在于将差分隐私、安全聚合和权限型区块链治理集成到一个联邦医疗系统中。与传统仅关注确保数据本地性的联邦学习架构不同，本系统利用DP-SGD梯度保护、用于来源追踪的区块链技术、基于TrustScore的交易验证以及对隐私预算消耗的审计，全部整合在一个去中心化学习系统中。此外，该框架纳入了一个分级感知聚合策略，以考虑大都市、城市、城镇和农村医疗环境之间的工作负载和基础设施差异。

实验模型在20个分布式医疗节点上进行验证，不仅展示了安全性，还通过改进全局模型的学习能力以支持决策，在可审计性方面进行了增强，并与基线FedAvg模型进行了比较。论文的其余部分组织如下：文献综述和最新发展在第二节中阐述，第三节介绍方法论，第四节介绍数学建模，第五节记录所提出的DP-SGD技术的结果和观察，第六节给出正式结论。此外，在异构医疗节点之间对与学习和治理相关的任务进行资源意识分配，通过更好地利用可用的计算和通信资源，无需依赖相同的高端基础设施，促进了可持续计算。

## 章节摘要

### 文献综述

近期的综述整合了联邦学习（FL）如何成为医疗领域隐私保护分析的核心范式，并指出了为电子健康档案提供隐私增强和信任保证的可靠可持续解决方案所面临的开放挑战[9]。文献[10]系统地分析了一个医疗应用，使用了诸如放射学和病理学图像等数据集用于疾病分类和验证。文献[11]的流程侧重于……

### 方法论

所提出的系统使医院能够在不共享本地服务器中存储的患者敏感数据的情况下，协作开发现代先进的医疗人工智能模型。每个医疗机构（无论是Tier 1还是农村级别）都继续在为其内部运营创建的 secure 服务器机房中存储和管理患者数据记录。医院在网络中运行的不是跨网络传输数据，而是在其脱敏记录上运行隐私保护的本地训练流程，并提取有意义的特征。

### 系统与数据预建模设计

考虑一组N个参与的医疗用户（称为节点），N={1,2,3...n}，分布在各部署级别T中，其中T={T1,T2,T3....}，使得在给定时间t实例下，每个节点i∈N且N∈Ti∈T。考虑节点i持有本地电子健康档案数据集Di，如公式1所示，其中xi,j表示节点i处患者j的脱敏特征向量，yi,j是与诊断和咨询相关的临床标签。

Di={(xi,j, yi,j)}j=1,...,mi

全局模型参数为ω，其中ω∈R^d，使得本地经验风险最小化目标函数为：

Loss_i(ω) = (1/mi)Σj=1^mi ?(ω; xi,j, yi,j)

DP-SGD的隐私参数包括：ε（隐私预算）、δ（失败概率）、clip_norm（梯度裁剪阈值）和batch_size。隐私预算消耗在每次训练轮次中通过以下公式进行跟踪：

ε_total = ε + ln(1/δ) × iterations

区块链层的交易验证通过TrustScore机制实现：

TrustScore_i = f(blockchain_history_i, reputation_i, contribution_weight_i)

分级感知聚合策略根据节点级别T计算聚合权重：

W_i = w_base × tier_factor(T_i) × health_capacity_i

其中tier_factor(T_i)表示不同医疗级别的权重因子。

### 结果与观察

所提出的框架部署在现有医疗基础设施上，每个参与的医疗实体（如医院中心、医疗中心和医疗用户社区）都在能够执行隐私保护联邦学习（FL）的边缘节点上运行。实验设置基于分级标准：Tier-1为智能/大都市，Tier-2为城市区域/城市，Tier-3为城镇/社区乡镇，随后是农村社区。Tier-1和Tier-2……

实验结果显示了所提出的框架相较于基线FedAvg模型的性能提升。所提出的系统取得了AUC-ROC为0.997、PR-AUC为0.977的优异表现。区块链集成确保了所有模型更新的不可变记录，使得审计和溯源成为可能。差分隐私机制在保证隐私的同时最小化了对模型性能的影响。

### 结论

本研究论文提出了一种强大且隐私增强的联邦学习架构，集成了差分隐私和区块链治理，以实现安全、可信且可扩展的去中心化医疗智能。该方法确保数据保留在本地服务器（本地/边缘节点即医院）上，并且仅共享经过密码学保护并脱敏的数据用于集中模型训练。实验结果证明了所提出方法在……方面的显著改善。

## 伦理批准

本研究按照适用的伦理原则和机构对医疗保健数据使用和处理的机构要求开展。在适用的情况下，数据在分析之前进行了脱敏处理。如果数据提供者或机构法规要求，则在数据使用之前获得了相关伦理批准。

## 资助声明

作者未收到任何具体的研究资金或财务支持来开展本研究的写作或发表。

## 代码可用性

为所提出的区块链治理差分隐私联邦学习框架开发的代码目前未公开可用。如有合理请求，通讯作者可能会在考虑机构、安全和数据保护因素后予以提供。

## CRediT作者贡献声明

Namrata Bathli：原创稿件撰写。Thirumagal Mohan：监督指导。Shantala Devi Patil：监督指导。

## 利益冲突声明

作者声明他们不存在已知的竞争性经济利益或个人关系，这些关系可能影响本文报告的工作。

## 致谢

作者衷心感谢印度班加罗尔REVA大学提供了进行研究所必需的设施。

## 利益冲突

作者声明他们不存在可能影响本研究的任何利益冲突。

## 竞争性利益

作者声明与本手稿不存在任何竞争性利益。

## 参与同意

不适用。本研究使用了脱敏的医疗数据，并未涉及对个人的直接招募或互动。

Namrata Bathli | Thirumagal Mohan | Shantala Devi Patil