[論文レビュー] Federated Learning for Privacy-Preserving Open Innovation Future on Digital Health

Guodong Long, Tao Shen+4 more|arXiv (Cornell University)|Aug 24, 2021

Privacy-Preserving Technologies in Data被引用数 11

ひとこと要約

本論文は、デジタルヘルス分野におけるオープンイノベーションのためのプライバシー保護フレームワークとしてフェデレーテッドラーニング（FL）を提案し、医療機関間で共同して共有AIモデルを訓練できる仕組みを提供する。患者の機微なデータを中央集積させることなく、分散型のデータソースからのモデル更新を集約することで、中央集積学習と同等のパフォーマンスを達成しながら、データのプライバシーを確保する。これにより、より汎用的で、パーソナライズされ、スケーラブルな医療AIアプリケーションの実現が可能になる。

ABSTRACT

Privacy protection is an ethical issue with broad concern in Artificial Intelligence (AI). Federated learning is a new machine learning paradigm to learn a shared model across users or organisations without direct access to the data. It has great potential to be the next-general AI model training framework that offers privacy protection and therefore has broad implications for the future of digital health and healthcare informatics. Implementing an open innovation framework in the healthcare industry, namely open health, is to enhance innovation and creative capability of health-related organisations by building a next-generation collaborative framework with partner organisations and the research community. In particular, this game-changing collaborative framework offers knowledge sharing from diverse data with a privacy-preserving. This chapter will discuss how federated learning can enable the development of an open health ecosystem with the support of AI. Existing challenges and solutions for federated learning will be discussed.

研究の動機と目的

• 患者の機微なデータを共有せずに、医療AIにおけるデータのプライバシー保護と規制遵守の課題に取り組むこと。
• 病院、研究者、保健機関間での知識とデータ共有のための分散型フレームワークを提供することで、医療分野におけるオープンイノベーションを支援すること。
• 複数機関にまたがる医療機械学習におけるデータの非均質性とセキュリティ上の制約を、フェデレーテッドラーニングシステムによって克服すること。
• FLが、ヒーパイ（HIPAA）やGDPRなどの規制を遵守しながら、中央集積学習と同等のパフォーマンスを達成できることを示すこと。
• 多様な健康データセットを対象とした、臨床予測や意思決定支援のためのより汎用的で、パーソナライズされ、スケーラブルなAIモデルの開発を可能にすること。

提案手法

• フェデレーテッドラーニングは、各機関で自らの機微なデータを現地で使用してローカルモデルを学習する分散型機械学習パラダイムとして実装される。
• 生データではなく、モデルのパラメータや勾配を参加者間で共有することで、データのプライバシーを保護し、規制に準拠する。
• 中央サーバーが、FedAvgや類似の集約アルゴリズムを用いて、複数のクライアントからのモデル更新を集約し、グローバルモデルを訓練する。
• 本フレームワークは、複数の機関（例：病院）が患者レベルのデータを共有せずに協働するクロスシロFLをサポートする。
• 本システムは、表形式のEHR、医療画像、ウェアラブルデバイスからの時系列データを含む、非均質なデータ構造に対応できる。
• 本アプローチは、マルチモーダルデータ統合と解釈可能なモデル開発をサポートし、臨床的意義と信頼性を高める。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、機微な患者データを共有せずに、医療分野における効果的な協働的AIモデル学習を可能にするか？
• RQ2 臨床予測タスクにおけるモデルパフォーマンスの観点から、フェデレーテッドラーニングは中央集積学習と比べてどのように異なるか？
• RQ3 フェデレーテッドラーニングは、病院間での安全なデータ協働を可能にすることで、医療分野におけるオープンイノベーションをどの程度支援できるか？
• RQ4 フェデレーテッドラーニングは、複数機関にまたがる医療環境におけるデータの非均質性とプライバシー課題をどのように克服できるか？
• RQ5 フェデレーテッドラーニングは、患者の治療成績の向上と医療制度の持続可能性にどのような実用的影響を及えるか？

主な発見

• 心疾患による入院予測において、フェデレーテッドラーニングは中央集積学習と同等のパフォーマンスを達成し、AUCと正答率に差がなかった。
• 入院中の死亡予測において、FLフレームワークは中央集積モデルと同等のパフォーマンスを示し、実臨床環境での実現可能性を裏付けた。
• リーら（2018年）の研究で示されたように、個々の患者レベルのデータを露呈させることなく、機関間でプライバシー保護型の患者類似性検索を実現した。
• キムら（2017年）の研究で示されたように、患者レベルのデータを共有せずに計算的フェノタイピングを実現し、スケーラブルかつ倫理的なデータ利用を支援した。
• 複数機関のデータを用いてFLで訓練されたグローバルモデルは、MIMIC-IIIのような単一機関データセットで学習したモデルと比較して、より優れた一般化性能を示した。
• FLの活用により、疾患の早期発見、入院回数の削減、慢性疾患の管理の改善が可能となり、医療制度の持続可能性に貢献する。