[論文レビュー] Bringing the Algorithms to the Data -- Secure Distributed Medical Analytics using the Personal Health Train (PHT-meDIC)

Marius de Arruda Botelho Herr, Michael Gräf+12 more|arXiv (Cornell University)|Dec 7, 2022

Scientific Computing and Data Management被引用数 4

ひとこと要約

本稿では、個人の健康トレイン（PHT）フレームワークのオープンソースでコンテナ化された実装、PHT-meDICを提示する。このシステムは、患者の機微なデータを移転するのではなく、アルゴリズムをデータに運ぶことで、安全で分散型の医療解析を可能にする。システムは、画像診断におけるディープラーニングを含む複雑なパイプラインをサポートし、GDPR準拠下でのエンドツーエンドのセキュリティ、データプライバシー、病院間の相互運用性を確保する。

ABSTRACT

The need for data privacy and security -- enforced through increasingly strict data protection regulations -- renders the use of healthcare data for machine learning difficult. In particular, the transfer of data between different hospitals is often not permissible and thus cross-site pooling of data not an option. The Personal Health Train (PHT) paradigm proposed within the GO-FAIR initiative implements an 'algorithm to the data' paradigm that ensures that distributed data can be accessed for analysis without transferring any sensitive data. We present PHT-meDIC, a productively deployed open-source implementation of the PHT concept. Containerization allows us to easily deploy even complex data analysis pipelines (e.g, genomics, image analysis) across multiple sites in a secure and scalable manner. We discuss the underlying technological concepts, security models, and governance processes. The implementation has been successfully applied to distributed analyses of large-scale data, including applications of deep neural networks to medical image data.

研究の動機と目的

• 中央集権的なデータ集約を避けることで、特にGDPR下で、医療機械学習におけるデータプライバシーと規制遵守の課題に対処すること。
• 病院間で機微な患者データを移転せずに、クロスインstitutionalな医療データ分析を可能にすること。
• 大規模なバイオメディカルデータ（ゲノム解析および画像診断を含む）の分散分析を、本番環境対応で、安全かつスケーラブルなフレームワークとして開発すること。
• ローカルのソフトウェアインストールを必要とせずに、分散環境で複雑なマルチステージ分析パイプライン（例：ディープラーニング）を実行できること。
• データの完全性、機密性、監査可能性を確保するため、分散型の駅間でデータを安全に保つガバナンスおよびセキュリティモデルを確立すること。

提案手法

• 分析アルゴリズム（「列車」）を軽量で隔離されたコンテナに封入し、病院（「駅」）間を移動させるPHTパラダイムを採用する。
• Dockerを用いたコンテナ化により、異種の病院IT環境間で、再現可能でポータブルかつ安全な複雑なデータパイプラインの実行を可能にする。
• エンドツーエンドの暗号化と安全な通信プロトコルを実装し、データ転送中を保護し、認可された当事者のみが結果を復号可能であることを保証する。
• ペイリア暗号方式を統合し、複数拠点間でモデル重みや統計情報を安全に集約できるプライバシー保護型計算を可能にする。
• 実行前および実行後のチェックを備えたモジュラーなセキュリティプロトコルを設計し、転送中または実行中にアルゴリズムやクエリが改ざんされていないかを検出する。
• 標準化されたインターフェースと拡張可能な列車ライブラリを用いて相互運用性を実現し、要求に応じて微分プライバシーまたはkアナニマスティなど、新たなプライバシー保護技術の統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 中央集権的な患者データの集約を回避することで、本番環境対応で安全かつスケーラブルなフレームワークを構築できるか？
• RQ2 画像診断におけるディープラーニングなど、複雑なマルチステージのデータ分析パイプラインを、複数の病院間で安全かつ効率的に実行できるか？
• RQ3 PHT-meDICアーキテクチャは、アルゴリズム実行中またはデータ転送中に、どれほど高いレベルのデータプライバシーを維持し、悪意ある改ざんを検出できるか？
• RQ4 データが複数の機関に分散している場合、分散型学習アプローチの性能とモデルの正確性が、中央集権型学習と比較してどの程度の差異を示すか？
• RQ5 基本的な暗号化を超えて、フェデレーテッドラーニングや微分プライバシーなどの高度なプライバシー保護技術をサポートできるように、システムを拡張可能か？

主な発見

• PHT-meDICは、ISIC 2019データセットを用いた皮膚がん分類のディープラーニングモデルを3つの病院で完全に分散環境下で実行し、重み付き正解率0.68、感度0.69を達成した。
• 3つの駅で20エポックにわたる分散型学習が、中央集権型学習（正解率0.684、感度0.625）と同等の性能を示した（60エポック後）。分散学習の実現可能性が裏付けられた。
• すべての結果が、認可された当事者による復号まで暗号化された状態で保持され、患者データがいかなる病院の管理を離れることもなかった。
• セキュリティメカニズムにより、転送中または実行中にアルゴリズムやデータが不正に改ざんされていないかを検出でき、分析プロセスの完全性と信頼性が確保された。
• コンテナ化アーキテクチャにより、ゲノム解析や画像解析を含む複雑なパイプラインの展開が、各拠点での追加ソフトウェアインストールを必要とせず、スムーズに実現された。
• プライバシー保護技術の統合が可能であることを実証した。例としてペイリア暗号方式の統合を実施。今後は微分プライバシーおよびkアナニマスティのサポート拡張を計画している。