一种结合多级差分隐私的隐私保护型联邦学习方法，用于肺癌检测

《Scientific Reports》：A privacy-preserving federated learning approach with multilevel differential privacy for lung cancer detection

　　

摘要

在医学影像中检测肺癌面临诸多挑战，尤其是在保护患者数据隐私的同时实现不同机构间的协作学习。联邦学习为这一问题提供了一种解决方案，它允许多个客户端在不泄露私有数据的情况下共同训练共享模型，并充分利用多样化的数据集。然而，诸如FedAvg和FedProx这类传统的联邦学习算法往往存在客户端偏移问题，且在非独立同分布的数据环境下适应性较差，从而导致收敛效果不佳、性能下降。为解决这些缺陷，本文提出了一种改进的联邦学习框架EFedProx，该框架结合了多层差分隐私技术和基于区块链的验证机制，以实现数据隐私保护和模型完整性保障。EFedProx引入了一种自适应的近似项，能够根据客户端之间的差异动态调整，从而有效缓解客户端偏移问题，并提升非独立同分布环境下的模型聚合效果。此外，多层差分隐私技术还会根据数据敏感性（通过标签不平衡、数据集规模及梯度幅度等指标体现）以及训练进度等客户端特定因素，动态调整噪声水平，以实现隐私与实用性的平衡，这一过程通过逐轮全局衰减机制来实现。为增强安全性和可信度，EFedProx还利用基于区块链的模型验证功能，识别并拒绝无效或被篡改的模型更新，确保模型聚合过程的不可篡改性。通过IPFS和MongoDB实现的去中心化存储方式，则降低了對集中式服务器的依赖，同时保持了模型管理的可扩展性和高效性。在LUNA16和IQ-OTH/NCCD肺癌数据集上的实验结果表明，与传统的联邦学习方法相比，EFedProx在独立同分布和非独立同分布环境下分别能提升4–9%和3–9%的准确率，且收敛速度更快。