[論文レビュー] Federated Learning for Privacy-Preserving Medical AI

Tin Hoang|arXiv (Cornell University)|Mar 16, 2026

Privacy-Preserving Technologies in Data被引用数 0

ひとこと要約

要約: 本論文はサイト意識型データ分割と適応型ローカルディファレンシャルプライバシー（ALDP）を開発し、ADNI MRIデータを用いたアルツハイマー病分類に対するプライバシー保護付き連合学習を実現。強力なプライバシー保護と競争力のある精度を示す。

ABSTRACT

This dissertation investigates privacy-preserving federated learning for Alzheimer's disease classification using three-dimensional MRI data from the Alzheimer's Disease Neuroimaging Initiative (ADNI). Existing methodologies often suffer from unrealistic data partitioning, inadequate privacy guarantees, and insufficient benchmarking, limiting their practical deployment in healthcare. To address these gaps, this research proposes a novel site-aware data partitioning strategy that preserves institutional boundaries, reflecting real-world multi-institutional collaborations and data heterogeneity. Furthermore, an Adaptive Local Differential Privacy (ALDP) mechanism is introduced, dynamically adjusting privacy parameters based on training progression and parameter characteristics, thereby significantly improving the privacy-utility trade-off over traditional fixed-noise approaches. Systematic empirical evaluation across multiple client federations and privacy budgets demonstrated that advanced federated optimisation algorithms, particularly FedProx, could equal or surpass centralised training performance while ensuring rigorous privacy protection. Notably, ALDP achieved up to 80.4% accuracy in a two-client configuration, surpassing fixed-noise Local DP by 5-7 percentage points and demonstrating substantially greater training stability. The comprehensive ablation studies and benchmarking establish quantitative standards for privacy-preserving collaborative medical AI, providing practical guidelines for real-world deployment. This work thereby advances the state-of-the-art in federated learning for medical imaging, establishing both methodological foundations and empirical evidence necessary for future privacy-compliant AI adoption in healthcare.

研究の動機と目的

• 連合学習中に機関境界を維持して医療AIのデータ断片化に対処する。
• 訓練中にプライバシーノイズを動的に調整するAdaptive Local Differential Privacy（ALDP）を開発する。
• 実用的な複数機関条件下で連合学習戦略（FedAvg、FedProx、SecAgg+）をベンチマークする。
• ADNIデータを用いた神経画像処理アプリケーションにおけるプライバシー対用性の取扱指針を提供する。

提案手法

• 現実世界の複数機関協力とデータヘテロゲネシティを反映するサイト意識型データ分割を導入する。
• 訓練の進行に基づきラウンドごとおよびパラメータテンソルごとにプライバシーパラメータを調整するAdaptive Local Differential Privacy（ALDP）を提案する。
• Flower、MONAI、PyTorchを統合して3D MRI分類の構成可能な連合学習フレームワークを構築する。
• 連合戦略（FedAvg、FedProx、SecAgg+）を中央化訓練と比較して、2–4クライアントで評価する。
• Local DPおよびALDPを異なるプライバシ予算（epsilon、delta）でプライバシー対用性のトレードオフを評価する。

実験結果

リサーチクエスチョン

• RQ1 サイト意識型データ分割は複数機関の医用画像における連合学習のパフォーマンスにどのように影響するか。
• RQ2 ALDPは固定ノイズのLocal DPと比較してプライバシー対用性のバランスを改善できるか。アルツハイマー病MRI分類で検証する。
• RQ3 高度な連合最適化法（例：FedProx）は現実的なプライバシ制約下で中央化訓練の性能と同等かそれを超えるか。
• RQ4 ADNIデータに対するプライバシー保護付き連合学習の実用的なベンチマーク（精度、頑健性、学習安定性）は何か。
• RQ5 医療分野での神経画像データを用いたプライバシー保護付き連合学習の展開に関する指針は何か。

主な発見

• ALDPは2クライアント構成で最大80.4%の精度を達成し、固定ノイズのLocal DPより5–7ポイント高い。
• ALDPは従来のDP方式と比べて低分散（0.80%）の訓練安定性を著しく示した。
• FedProxは3クライアント設定で81.4±3.2%の精度に達し、中央化訓練（80.2±2.2%）を上回った。
• FedProxはAD感度を64%から74%へ著しく改善した。
• サイト意識型分割は医用画像における実機能多機関連合学習の現実的評価を可能にし、実用展開の指針を支持する。