[論文レビュー] Blockchain based Privacy-Preserved Federated Learning for Medical Images: A Case Study of COVID-19 CT Scans

Rajesh Kumar, Wanwan Wang+6 more|arXiv (Cornell University)|Apr 22, 2021

Privacy-Preserving Technologies in Data参考文献 37被引用数 9

ひとこと要約

本論文は、複数の病院に分散したCOVID-19 CTスキャンデータ上でプライバシーを守りながら協働学習を行うためのブロックチェーン統合型フェデレーテッドラーニングフレームワークを提案する。同定的暗号化による勾配のセキュリティと、信頼性のないモデル集約のための許可型ブロックチェーンを組み合わせることで、生の患者データを共有せずに、グローバルテストで最高87.18%の高い診断精度を達成した。これにより、医療AIにおけるデータプライバシーと信頼性の課題が解決された。

ABSTRACT

Medical health care centers are envisioned as a promising paradigm to handle the massive volume of data of COVID-19 patients using artificial intelligence (AI). Traditionally, AI techniques often require centralized data collection and training the model in a single organization, which is most common weakness due to the privacy and security of raw data communication. To solve this challenging task, we propose a blockchain-based federated learning framework that provides collaborative data training solutions by coordinating multiple hospitals to train and share encrypted federated models without leakage of data privacy. The blockchain ledger technology provides the decentralization of federated learning model without any central server. The proposed homomorphic encryption scheme encrypts and decrypts the gradients of model to preserve the privacy. More precisely, the proposed framework: i) train the local model by a novel capsule network to segmentation and classify COVID-19 images, ii) then use the homomorphic encryption scheme to secure the local model that encrypts and decrypts the gradients, and finally the model is shared over a decentralized platform through proposed blockchain-based federated learning algorithm. The integration of blockchain and federated learning leads to a new paradigm for medical image data sharing in the decentralized network. The conducted experimental resultsdemonstrate the performance of the proposed scheme.

研究の動機と目的

• 複数の病院間での共同医療AI学習におけるデータプライバシーとセキュリティの課題に対処すること。
• 中央集権的なデータ共有や従来のフェデレーテッドラーニングの限界を克服すること。これらは中央サーバーに依存しており、プライバシー漏洩のリスクを抱えている。
• ブロックチェーン技術を統合して、モデル集約を分散化し、病院間での信頼性のない、監査可能な協働を実現すること。
• 複数の機関からの多様なデータ寄与を可能にすることで、生の医療画像を露出せずにモデルの頑健性と一般化性能を向上させること。
• フェデレーテッドラーニングに同定的暗号化を組み合わせた、安全でプライバシー保護型のフレームワークを構築し、CTスキャンからのCOVID-19の正確な診断を可能とすること。

提案手法

• 各病院が自らのCTスキャンデータセット上でローカルなキャプセルネットワークを学習する、新しいフェデレーテッドラーニングアーキテクチャを提案。生のデータを共有しない。
• 同定的暗号化方式を用いて、集約中におけるモデル勾配の安全な暗号化および復号化を実現し、特徴レベルでのプライバシー保護を確保。
• 許可型ブロックチェーンを用いて、各病院からのモデル更新を記録・検証し、透明性、改ざん不能性、信頼性のない協調を実現。
• 中央サーバーが不要な分散型のモデル集約を可能にする、ブロックチェーンベースのフェデレーテッドラーニングアルゴリズムを導入。
• 比較のためのベースラインとして、FedAvgおよびFedProxアルゴリズムを用い、ブロックチェーン強化版は認証済みで安全なモデル更新を提供。
• 視覚的解釈性を高めるために確率的Grad-CAMを採用し、CTスキャン内の注目領域をマッピングすることで、モデル意思決定の妥当性を検証。

実験結果

リサーチクエスチョン

• RQ1 ブロックチェーン保護型フェデレーテッドラーニングフレームワークは、複数病院間での協働学習を可能にしつつ、患者データのプライバシーを効果的に保護できるか？
• RQ2 同定的暗号化とブロックチェーンの統合は、医療画像分野におけるフェデレーテッドラーニングのセキュリティと信頼性をどのように向上させるか？
• RQ3 提案フレームワークは、集中型学習や標準フェデレーテッドラーニングと比較して、診断精度を維持または向上させるか？
• RQ4 ブロックチェーンを用いた分散型モデル集約は、多施設環境下でのグローバルモデルの収束性と性能にどのように影響を与えるか？
• RQ5 病院間でのデータの非同一性（heterogeneity）は、提案フレームワークにおけるグローバルモデルの一般化性能と頑健性にどのような影響を及ぼすか？

主な発見

• 提案されたブロックチェーンベースのフェデレーテッドラーニングフレームワークは、グローバルテストで84.21% ± 0.43の精度を達成し、標準的なFedAvg（83.61% ± 0.18）およびFedProx（84.12% ± 0.58）を上回った。
• 本フレームワークで学習されたモデルは、病院IIのグローバルテストセットでピーク87.18%の精度に達し、多様なデータ分布にわたる優れた一般化性能を示した。
• 同定的暗号化により、集約中におけるモデル勾配の保護が成功し、プライバシー漏洩を防止しながらも、モデル性能を維持した。
• ブロックチェーンの統合により、信頼性のない、監査可能な分散型モデル集約が実現され、中央サーバーへの依存が排除され、データ提供者間の信頼問題が軽減された。
• キャプセルネットワークからの視覚的注目マップが、CTスキャン内の関連肺領域を明確に特定し、モデルの解釈可能性と臨床的妥当性を裏付けた。
• ローカルモデルで評価した際、本フレームワークはCOVID-19の同定に98%の精度を達成し、高い診断可能性を示した。