[論文レビュー] Privacy-preserving machine learning for healthcare: open challenges and future perspectives

Alejandro Guerra-Manzanares, L. Julián Lechuga López+2 more|arXiv (Cornell University)|Mar 27, 2023

Privacy-Preserving Technologies in Data参考文献 74被引用数 5

ひとこと要約

本稿は、医療分野におけるプライバシー保護型機械学習（PPML）をレビューし、医療画像および電子的健康記録（EHR）を用いた学習および推論におけるフェデレーテッドラーニング、同相暗号化、微分プライバシーを焦点に挙げる。スケーラビリティ、説明可能性、マルチモodal統合の分野における主な課題を特定し、標準化されたベンチマークと最先端のディープラーニングアーキテクチャの広範な採用を提言することで、プライバシー保護型臨床AIシステムの向上を図る。

ABSTRACT

Machine Learning (ML) has recently shown tremendous success in modeling various healthcare prediction tasks, ranging from disease diagnosis and prognosis to patient treatment. Due to the sensitive nature of medical data, privacy must be considered along the entire ML pipeline, from model training to inference. In this paper, we conduct a review of recent literature concerning Privacy-Preserving Machine Learning (PPML) for healthcare. We primarily focus on privacy-preserving training and inference-as-a-service, and perform a comprehensive review of existing trends, identify challenges, and discuss opportunities for future research directions. The aim of this review is to guide the development of private and efficient ML models in healthcare, with the prospects of translating research efforts into real-world settings.

研究の動機と目的

• 2020年から2023年までの最新のPPML技術（医療画像およびEHRを用いた学習および推論を含む）の包括的レビューを提供すること。
• 臨床応用におけるPPMLにおけるプライバシー、スケーラビリティ、モデルの説明可能性に関する未解決の課題を特定すること。
• MLaaS、マルチモーダルラーニング、最先端のディープラーニングモデルの統合といった、まだ十分に検討されていない研究分野を強調すること。
• 標準化されたベンチマークと一般化性能の向上を促進することで、医療分野におけるプライベートな機械学習の実世界への展開を支援すること。
• 機械学習研究と臨床サイバーセキュリティの間のギャップを埋めるために、分野横断的協力を強調すること。

提案手法

• 2020年以降に発表された査読付き論文を対象とした体系的レビューであり、フェデレーテッドラーニング、同相暗号化、微分プライバシー、セキュアなマルチパーティ計算を含むPPML手法に焦点を当てる。
• 診断および予後予測タスクにおいて一般的な医療画像およびEHRデータの入力モodalに基づいて、研究を分類する。
• フェデレーテッドアベレージなどの学習用PPMLと、推論サービス（MLaaS）との間で、別々に分析し、プライバシーとパフォーマンスのトレードオフを明確にする。
• 最近の研究動向の評価として、トランスフォーマーのような現代のディープラーニングアーキテクチャのPPMLパイプラインへの限定的採用を評価する。
• 暗号化やノイズ注入技術を用いた場合の、モデルの説明可能性と公平性の欠如を特定する。
• マルチモーダルラーニング、リソース制約、展開のスケーラビリティに関する課題をテーマ別に分析し、今後の研究方向性を提案する。

実験結果

リサーチクエスチョン

• RQ1 2020年から2023年の間に、医療画像およびEHRベースの医療応用における学習および推論に用いられた主要なPPML技術は何か？
• RQ2 フェデレーテッドラーニングや微分プライバシーといったプライバシー保護手法は、臨床現場におけるモデル性能、スケーラビリティ、説明可能性にどのように影響を与えるか？
• RQ3 実世界の医療環境にPPMLシステムを展開するにあたり、主な課題は何か。特に、データの非同一性、モデルの一般化、公平性の観点から検討する。
• RQ4 最先端のディープラーニングアーキテクチャ（例：トランスフォーマー）は、医療分野のPPMLパイプラインにどの程度統合されているか。また、その採用に向けた障壁は何か？
• RQ5 リソースが限られた医療機関にとって、プライバシー、効率性、信頼性を確保できるようにMLaaSモデルをどのように設計できるか？

主な発見

• フェデレーテッドラーニングは、生データを共有せずに共同学習を可能にするため、学習用途で最も広く採用されているPPML手法であるが、再構築攻撃に対しては脆弱である。
• 最近のPPML研究のわずか数例しか、視覚および自然言語処理タスクで最先端性能を示すトランスフォーマーのような高度なアーキテクチャを統合していない。
• 暗号化やノイズ追加によって、PPMLにおける説明可能性は著しく制限されており、プライバシーと解釈可能性の交差を扱った研究はモンテネグロら（2021年）の1件のみである。
• MLaaSは、計算リソースが限られた機関にとって、プライベートで高性能なモデルへのアクセスを民主化する有望なが、まだ十分に研究が進んでいない道筋である。
• 医療画像とEHRデータを併用するマルチモーダルラーニングは、診断精度の向上や臨床的理解の深化という可能性を秘めているものの、PPML分野では未だ十分に検討されていない。
• MNIST や CIFAR-10 に類似した標準化されたベンチマークが不足しているため、医療分野におけるPPML手法の再現性や公平な比較が困難となっており、評価用の公開医療データセットの構築が求められている。