[論文レビュー] Federated Learning for COVID-19 Detection with Generative Adversarial Networks in Edge Cloud Computing

Dinh C. Nguyen, Ming Ding+3 more|arXiv (Cornell University)|Oct 13, 2021

COVID-19 diagnosis using AI参考文献 44被引用数 135

ひとこと要約

本稿では、エッジクラウド環境におけるプライバシー保護型COVID-19検出のため、フェデレーテッドラーニングと生成対抗ネットワーク（GAN）を組み合わせたFedGANを提案する。病院でローカルGANを学習し、微分プライバシーを備えた分散型ブロックチェーンベースのFLシステムを介してモデル更新を集約することで、本稿は本物のデータを共有せずにリアルな合成X線画像を生成し、最先端の手法と比較して訓練遅延を低減しつつ高い検出精度を達成する。

ABSTRACT

COVID-19 has spread rapidly across the globe and become a deadly pandemic. Recently, many artificial intelligence-based approaches have been used for COVID-19 detection, but they often require public data sharing with cloud datacentres and thus remain privacy concerns. This paper proposes a new federated learning scheme, called FedGAN, to generate realistic COVID-19 images for facilitating privacy-enhanced COVID-19 detection with generative adversarial networks (GANs) in edge cloud computing. Particularly, we first propose a GAN where a discriminator and a generator based on convolutional neural networks (CNNs) at each edge-based medical institution alternatively are trained to mimic the real COVID-19 data distribution. Then, we propose a new federated learning solution which allows local GANs to collaborate and exchange learned parameters with a cloud server, aiming to enrich the global GAN model for generating realistic COVID-19 images without the need for sharing actual data. To enhance the privacy in federated COVID-19 data analytics, we integrate a differential privacy solution at each hospital institution. Moreover, we propose a new blockchain-based FedGAN framework for secure COVID-19 data analytics, by decentralizing the FL process with a new mining solution for low running latency. Simulations results demonstrate the superiority of our approach for COVID-19 detection over the state-of-the-art schemes.

研究の動機と目的

• 病院間で分散するCOVID-19X線画像データセットへのアクセス制限とプライバシー制約の課題に対処する。
• 本物のデータ共有を避けることで、中央集権型AI学習におけるデータプライバシー懸念を克服する。
• GANを用いた合成画像生成により、COVID-19検出のための訓練データの質と多様性を向上させる。
• 中央サーバーを分散型ブロックチェーンベースのフレームワークに置き換えることで、フェデレーテッドモデル集約の安全性と信頼性を確保する。
• ブロックチェーン用の新規で軽量なリザーブ証明（PoR）コンセンサスメカニズムを導入することで、フェデレーテッドラーニングの訓練遅延を最小限に抑える。

提案手法

• 各病院で畳み込みニューラルネットワーク（CNN）を生成器および識別器として用い、本物のCOVID-19X線画像の分布を模倣するローカルGANを学習する。
• 中央クラウドサーバーで病院からのローカルモデルパラメータを集約するフェデレーテッドラーニングを実装し、生データの送信を回避する。
• 各病院で、個々のデータを保護するため、モデル更新に調整されたノイズを追加することで微分プライバシーを実装する。
• 新規のリザーブ証明（PoR）コンセンサスメカニズムを用いたブロックチェーンベースのFedGANフレームワークを提案し、モデル集約を分散化して遅延を低減する。
• PoRにおける軽量なブロック検証戦略を設計し、特に大容量のデータブロックにおいてマイニング遅延を最小限に抑える。
• エッジノード（病院）がローカルGANを学習し、クラウドまたはブロックチェーンネットワークにモデル更新のみを通信するハイブリッドエッジクラウドアーキテクチャを採用する。

実験結果

リサーチクエスチョン

• RQ1 本物の患者データを共有せずに、フェデレーテッドGANフレームワークが高品質な合成COVID-19X線画像を効果的に生成できるか？
• RQ2 フェデレーテッドGAN学習に微分プライバシーを統合すると、モデルの有用性とプライバシー保証にどのような影響を与えるか？
• RQ3 ブロックチェーンベースのコンセンサスメカニズムは、セキュリティと分散性を確保しつつ、フェデレーテッドラーニングの遅延を低減できるか？
• RQ4 新規のPoRコンセンサスメカニズムは、フェデレーテッド医療AIにおける従来のDPoSと比較して、ブロック検証遅延にどのような影響を与えるか？
• RQ5 提案されたブロックチェーンベースのFedGANは、中央集権型および非ブロックチェーンフェデレーテッドベースラインと比較して、検出精度および訓練効率の面でどのように性能を発揮するか？

主な発見

• 提案されたブロックチェーンベースのFedGAN方式は、ベースラインのFedGANと同等の検出精度を達成しており、特にDarkCOVIDデータセットにおいて、分散化がモデル性能を低下させないことを示している。
• PoRコンセンサスメカニズムは、従来のDPoSベースのブロックチェーンFLと比較して、DarkCOVIDデータセットでは最大23.2%、ChestCOVIDデータセットでは19.5%のブロック検証遅延を低減した。
• 各病院で微分プライバシーを統合することで、合成画像の品質や検出精度に影響を与えることなく、データプライバシーが顕著に向上した。
• フェデレーテッドGANフレームワークにより、大規模なデータ収集の必要性が軽減され、リアルな合成X線画像の生成によって、分散機関全体の訓練パフォーマンスが向上した。
• 提案されたブロックチェーンベースのFedGANの全体的な実行遅延は、従来のブロックチェーン-FL方式よりも顕著に低く、リアルタイム医療AIアプリケーションに適している。
• シミュレーション結果は、特にプライバシー制限付きかつ分散型環境下において、FedGANが最先端の手法を検出精度および訓練効率の両面で上回っていることを確認している。