[論文レビュー] ModelChain: Decentralized Privacy-Preserving Healthcare Predictive Modeling Framework on Private Blockchain Networks

Tsung-Ting Kuo, Lucila Ohno‐Machado|arXiv (Cornell University)|Feb 6, 2018

Privacy-Preserving Technologies in Data参考文献 14被引用数 201

ひとこと要約

論文は ModelChain を提案する。プライベートブロックチェーンネットワークを用いて、生データを共有せずにプライバシー保護された跨機関の予測モデリングを可能にする分散フレームワーク。

ABSTRACT

Cross-institutional healthcare predictive modeling can accelerate research and facilitate quality improvement initiatives, and thus is important for national healthcare delivery priorities. For example, a model that predicts risk of re-admission for a particular set of patients will be more generalizable if developed with data from multiple institutions. While privacy-protecting methods to build predictive models exist, most are based on a centralized architecture, which presents security and robustness vulnerabilities such as single-point-of-failure (and single-point-of-breach) and accidental or malicious modification of records. In this article, we describe a new framework, ModelChain, to adapt Blockchain technology for privacy-preserving machine learning. Each participating site contributes to model parameter estimation without revealing any patient health information (i.e., only model data, no observation-level data, are exchanged across institutions). We integrate privacy-preserving online machine learning with a private Blockchain network, apply transaction metadata to disseminate partial models, and design a new proof-of-information algorithm to determine the order of the online learning process. We also discuss the benefits and potential issues of applying Blockchain technology to solve the privacy-preserving healthcare predictive modeling task and to increase interoperability between institutions, to support the Nationwide Interoperability Roadmap and national healthcare delivery priorities such as Patient-Centered Outcomes Research (PCOR).

研究の動機と目的

• 医療モデルの一般化能力を向上させるための跨機関予測モデリングの動機付け。
• 共同モデリングのための集中型アーキテクチャにおけるプライバシー、セキュリティ、ロバスト性の懸念に対処。
• 患者のプライバシーを保持しつつモデルパラメータ共有を可能にする分散アプローチを提案。
• プライバシー保護付きオンライン機械学習をプライベートブロックチェーンと新規情報共有プロトコルと統合。

提案手法

• 部分モデル情報を伝搬するためにプライベートブロックチェーンを使用する ModelChain アーキテクチャを導入。
• 観測データではなくモデルデータのみ交換されるよう、プライバシー保護型オンライン機械学習技術を統合。
• オンライン学習の順序を決定する新しい情報証明メカニズムを開発。
• 参加サイト間で部分モデルを伝搬させる取引メタデータを活用。
• 国の医療優先事項に対する利益、制限、相互運用性への影響を議論。

実験結果

リサーチクエスチョン

• RQ1 プライベートブロックチェーンネットワークをどのように利用してプライバシー保護された跨機関の予測モデリングを実現できるか？
• RQ2 サイト間でモデル情報を安全かつ堅牢でプライバシーを保護した交換を保証する仕組みは何か？
• RQ3 分散環境でのオンライン学習の順序に情報証明アルゴリズムがどのような影響を与えるか？
• RQ4 医療におけるブロックチェーンベースのプライバシー保護モデリングを適用する際の相互運用性と政策の影響は何か？

主な発見

• ModelChain は機関間で患者レベルデータを公開することなく協調的な予測モデリングを可能にする。
• このフレームワークは生データではなく部分モデルを伝搬するため取引メタデータを使用する。
• オンライン学習の順序を規制する新しい情報証明アルゴリズムを導入。
• このアプローチは相互運用性の向上を目指し、PCOR などの国の医療優先事項をサポートする。
• ブロックチェーンをプライバシー保護型医療モデリングに適用する利点と潜在的な問題点を論じる。