[論文レビュー] Towards Privacy-Preserving Medical Imaging: Federated Learning with Differential Privacy and Secure Aggregation Using a Modified ResNet Architecture

M. Fares, Ahmed Mohamed Saad Emam Saad|arXiv (Cornell University)|Dec 1, 2024

Privacy-Preserving Technologies in Data被引用数 5

ひとこと要約

本論文は、病院間で非 IID データを組み合わせた医療画像のプライバシー保護フェデレーテッド学習フレームワークを提案する。局所差分プライバシー、Secure Multi-Party Computation に基づくセキュア集約、そして DP 最適化 ResNet（DPResNet）を組み合わせ、複数病院にわたる BloodMNIST のデータで評価する。

ABSTRACT

With increasing concerns over privacy in healthcare, especially for sensitive medical data, this research introduces a federated learning framework that combines local differential privacy and secure aggregation using Secure Multi-Party Computation for medical image classification. Further, we propose DPResNet, a modified ResNet architecture optimized for differential privacy. Leveraging the BloodMNIST benchmark dataset, we simulate a realistic data-sharing environment across different hospitals, addressing the distinct privacy challenges posed by federated healthcare data. Experimental results indicate that our privacy-preserving federated model achieves accuracy levels close to non-private models, surpassing traditional approaches while maintaining strict data confidentiality. By enhancing the privacy, efficiency, and reliability of healthcare data management, our approach offers substantial benefits to patients, healthcare providers, and the broader healthcare ecosystem.

研究の動機と目的

• 医療画像におけるプライバシー問題を動機づけ、 raw data の共有なしに協調学習を可能にする。
• 医療画像分類のために差分プライバシーとセキュア集約を統合したフェデレーテッドラーニングフレームワークを開発する。
• プライバシー保護設定に適した DP 最適化 ResNet アーキテクチャ（DPResNet）を設計・評価する。
• BloodMNIST を用いた現実的な多機関データ共有をシミュレートし、プライバシーと有用性のトレードオフを評価する。

提案手法

• FedAvg を局所差分プライバシーと勾配クリッピングと組み合わせ、更新にガウスノイズを追加する。
• DP-protected updates を privately 集約するために Secure Multi-Party Computation-based Secure Aggregation (SecAgg) を適用する。
• DPResNet を提案する。DP はグループ正規化を用い、最大プーリングを排除した ResNet-9 アーキテクチャで、DP との互換性を向上させる。
• BloodMNIST を用いて、5–10–20 クライアントの非 IID パーティショニング下で評価し、クリッピングノルム C=7 と DP バジェット（ε=6.0, δ=1.9e-4）を固定とする。
• SecAgg+ を用い、再構成閾値を四分割共有とすることでクライアントのドロップアウトに対処し、頑健性を維持する。

実験結果

リサーチクエスチョン

• RQ1 プライバシー保護付きフェデレーテッド学習フレームワークは、強力なプライバシー保証を提供しつつ医療画像で競争力のある精度を達成できるか。
• RQ2 差分プライバシーとセキュア集約を統合することは、非 IID の病院データ下でモデル性能にどのように影響するか。
• RQ3 DPResNet アーキテクチャは、フェデレーテッド・プライベート設定において標準の ResNet と比べて性能とプライバシー適合性を向上させるか。
• RQ4 現実的な BloodMNIST シミュレーションにおけるプライバシー予算パラメータとモデル精度のトレードオフはどうなるか。
• RQ5 フレームワークは PriMIA および FEDMIC と比較して、プライバシー保護制約下での精度はどうか。

主な発見

データセット	アプローチ	クライアント数	DP-/SecAgg-	DP-/SecAgg+	DP+/SecAgg+
BloodMNIST	私たちの	10	98.76	98.11	97.78
BloodMNIST	私たちの	20	97.77	97.01	96.89
PriMIA [ 10 ]	10	90.00	89.00	85.00
FEDMIC [ 23 ]	20	–	–	96.33

• プライバシー保護 FL フレームワークは、DP および SecAgg の下で非プライベートモデルに近い競争力のある精度を達成する（例：BloodMNIST で 10 クライアント、DP-/SecAgg+ で 98.11、DP+/SecAgg+ で 97.78）。
• クライアント数が 20 の場合、DP-/SecAgg+ は 97.01 の精度、DP+/SecAgg+ は 96.89 を示し、プライバシーと有用性のトレードオフを示す。
• PriMIA と比較して、同様のプライバシー設定下で提案アプローチはより高い精度を達成する（PriMIA: 10 クライアントで 89.00–90.00 の範囲）。
• 20 クライアント設定では、FEDMIC は DP+/SecAgg+ 下で 96.33 を達成し、プライバシー保護ベースラインと競合する性能を示す。
• DPResNet アーキテクチャ（GroupNormalization、最大プーリングの除去）は、DP-FL におけるより良いプライバシー有用性のバランスに寄与する。
• 本フレームワークは、多機関医療画像タスクに適した堅牢なセキュア集約とプライバシー保証を実証する。