面向多医院协同的UMAP联邦差分隐私合成医疗数据生成方法

《Electronics》：Differential Privacy Synthetic Tabular Data Generation for Federated Learning

　　摘要医疗领域的机器学习主要面临一个困难：高质量数据难以获取。病历属于敏感信息，医院之间共享数据的规则极为严格。一种常见的解决办法是使用合成数据，即模仿真实数据统计特征的人造记录；然而单靠这一做法无法提供真正的隐私保障，此前的研究表明它仍可能泄露其背后患者的细节信息。我们提出一种同时解决这两个问题的方法。该方法以前述基于UMAP的生成器方法论为基础，并将其扩展，使得多家医院能够在不共享原始记录的前提下以联邦学习的形式协同工作。随后，所提出的方法加入差分隐私，使得每一个被共享的量都具备形式化的 (ε_DP, δ) 隐私保证——对于全合成版本，该保证在构造上自然成立；对于部分合成版本，则需在输入有界的假设下成立，并通过一个自定义的隐私记账器进行跟踪。我们测试了该方法的两个版本：一个为部分合成版本，其中一家参考医院负责验证其他医院的行数据；另一个为全合成版本，每个中心依据聚合后的聚类统计量自行构建数据。两者均在四个公开的医疗表格数据集上进行评估，涵盖前列腺癌（PI-CAI、CIA）、乳腺癌（BC-MLR）和心血管疾病（fiv-CardioDB），以检验所观察到的趋势是否能在单一临床领域之外得到推广。一个关键结论是：转向联邦化对学习质量几乎不影响，但隐私代价强烈依赖于流程中噪声被注入的时机，并且这一规律在全部四个数据集上都一致成立。