[論文レビュー] Applications of Machine Learning in Healthcare and Internet of Things (IOT): A Comprehensive Review

Farid Ghareh Mohammadi, Farzan Shenavarmasouleh+1 more|arXiv (Cornell University)|Feb 6, 2022

IoT and Edge/Fog Computing被引用数 8

ひとこと要約

この包括的なレビューでは、プライバシーとスケーラビリティの課題に対処するため、分散型学習フレームワーク（例：フェデレーテッドラーニング（FL））を活用した医療IoT分野における機械学習の応用を検討している。本研究では、PerFit や FedHealth といった FL ベースのソリューションを提案し、中央集権的な患者データの集約を回避しながら、多様なIoTデバイス上で安全でパーソナライズされたモデル学習を可能にし、健康モニタリングタスクにおいて高い精度を達成している。

ABSTRACT

In recent years, smart healthcare IoT devices have become ubiquitous, but they work in isolated networks due to their policy. Having these devices connected in a network enables us to perform medical distributed data analysis. However, the presence of diverse IoT devices in terms of technology, structure, and network policy, makes it a challenging issue while applying traditional centralized learning algorithms on decentralized data collected from the IoT devices. In this study, we present an extensive review of the state-of-the-art machine learning applications particularly in healthcare, challenging issues in IoT, and corresponding promising solutions. Finally, we highlight some open-ended issues of IoT in healthcare that leaves further research studies and investigation for scientists.

研究の動機と目的

• 中央集権的な機械学習を分散型で多様なIoT医療データに適用する課題に対処すること。
• IoTデバイスからの分散型医療データ分析におけるプライバシーとセキュリティリスクを克服すること。
• データプライバシーを保ちながら正確な健康予測を可能にする、スケーラブルで効率的な機械学習フレームワークの開発。
• 現実世界の医療IoT展開におけるフェデレーテッドラーニングのパフォーマンスに及ぼす統計的およびシステム的非同一性の影響を調査すること。
• 最小限のデータ送信で実時間のパーソナライズされた健康モニタリングを可能にする、新規のFLベースのアーキテクチャの提案と評価。

提案手法

• フェデレーテッドラーニング（FL）を活用し、生の患者データを共有せずに分散型IoTデバイス上でグローバルモデルとパーソナライズドモデルを学習する。
• PerFitフレームワークを三段階（タスクのアンロード、モデルの学習、パーソナライゼーション）に分けて実装し、グローバルモデルを個々のユーザーに適応させる。
• FedHealthでは、多様な医療IoTユーザー間での統計的データ分布の乖離を低減するためにトランスファーラーニングを統合する。
• クライアントと中央サーバー間で交換されるモデル更新を保護するため、暗号化技術を適用する。
• ローカルモデル更新を統合して堅牢なグローバルモデルを生成するために、FedAvgをフェデレーテッド最適化アルゴリズムとして採用する。
• ネットワーク帯域幅と遅延を削減するために、軽量なデバイス内AIモデルを活用し、事前のデータ分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 生の患者データを中央に集約せずに、IoTデバイスから収集された分散型で多様な医療データ上で機械学習モデルを効果的に学習する方法は何か？
• RQ2 従来の中央集権的学習をIoT医療システムに適用する際の主な課題は何か。また、従来のMLアプリケーションとはどのような点で異なるか？
• RQ3 PerFit や FedHealth といったフェデレーテッドラーニングフレームワークは、現実世界の医療IoT展開において、モデルの精度とパーソナライズ化をどの程度向上できるか？
• RQ4 IoTデバイス間での統計的およびシステム的非同一性は、医療分野におけるフェデレーテッドラーニングの収束性とパフォーマンスにどのように影響を与えるか？
• RQ5 トランスファーラーニングは、多様な医療IoTユーザー間でのデータ分布シフトを低減し、モデルの汎化能力を向上させるために果たす役割は何か？

主な発見

• フェデレーテッドラーニングにより、生のデータをローカルデバイスに保持することで、分散型IoT医療デバイス間で効果的なモデル学習が可能となり、患者のデータプライバシーが確保される。
• PerFitフレームワークは、Mobile-Actデータセットにおける人間の活動認識タスクで高いパフォーマンスを示し、三段階の学習により効果的なパーソナライゼーションが実現された。
• トランスファーラーニングと暗号化を統合したFedHealthは、多様なデータを持つ医療機関間の連携アプリケーションにおいて、モデルの汎化能力とセキュリティを向上させた。
• CPU、メモリ、帯域幅、電力に差がある多様なIoTデバイスは、FLの収束性とシステム安定性に顕著な課題をもたらし、耐障害性を備えた構成が求められる。
• ユーザー間での統計的非同一性はモデルの分散を引き起こすが、トランスファーラーニングにより異なるデータ分布間で表現を一致させることで、これを効果的に緩和できる。
• プライバシー保護型フェデレーテッドラーニングフレームワークは、モデル更新および最終モデルに対する推論攻撃に耐性を示し、分散型医療システムにおけるデータセキュリティを顕著に向上させる。