《Scientific Reports》：A data privacy protection method for infectious disease prediction models with balanced training speed and accuracy
编辑推荐：
本文针对医疗数据隐私保护与模型性能难以兼顾的难题，提出一种融合随机传输混合同态加密（RTHE）与数据选择-分布式随机梯度下降（DS-DSSGD）算法的多层隐私保护框架。该研究通过优化加密传输流程与梯度筛选机制，在保证数据安全的同时将计算效率提升25%，为传染病精准预测提供了可落地的技术方案。
在人工智能技术迅猛发展的当下，深度学习模型已成为传染病预测和公共卫生决策的重要工具。然而，医疗数据的敏感性和隐私保护要求使得不同机构间难以共享数据，导致“数据孤岛”现象日益严重。这一问题不仅限制了模型训练的数据多样性，也降低了预测的准确性。此外，传统的隐私保护技术如完全同态加密（Fully Homomorphic Encryption, FHE）虽能保障数据安全，但存在计算效率低、密文膨胀严重等问题，难以在实际应用中大规模部署。
为了解决上述矛盾，一项发表于《Scientific Reports》的研究提出了一种兼顾安全性与效能的隐私保护新框架。该研究聚焦于如何在加密环境下实现高效、精准的传染病预测模型训练，重点突破了同态加密算法的优化和梯度更新策略的创新。
关键技术方法包括：1. 提出随机传输混合同态加密（Random Transmission Hybrid Homomorphic, RTHE）算法，结合CKKS全同态加密与Paillier半同态加密，以随机传输序列降低密文开销；2. 开发数据选择-分布式随机梯度下降（Data Selection-Distributed Stochastic Gradient Descent, DS-DSSGD）算法，通过筛选高贡献度梯度提升训练效率；3. 基于真实多中心医疗数据构建验证平台（XDP Privacy Data Sharing Platform），实现端到端数据生命周期管理。
混合加密机制的设计与验证
通过对比传统同态加密方法，RTHE算法采用随机序列调度加密操作，减少冗余计算周期。实验表明，该设计使计算和通信效率提升25%，且密文体积控制在合理水平。
梯度更新策略的优化
DS-DSSGD算法通过动态过滤对模型贡献较低的梯度参数，优先更新关键特征对应的权重。在相同隐私保护强度下，模型训练速度提升18%，且预测精度与未加密训练相当。
端到端平台集成与应用
基于XDP平台的实际部署显示，该框架支持多机构在加密状态下联合训练传染病预测模型，在甲型H1N1流感数据和登革热监测数据中均保持95%以上的预测准确率。
本研究通过创新性地融合轻量级加密技术与智能梯度筛选机制，实现了隐私保护与模型性能的高水平平衡。RTHE算法显著降低了同态加密的计算负担，而DS-DSSGD算法则确保了训练过程的高效收敛。这些技术被整合至XDP平台，为跨机构医疗数据协作提供了可行路径。该成果不仅推动了隐私计算在公共卫生领域的落地，也为应对未来突发传染病提供了关键技术支撑。
