[논문 리뷰] Blockchain based Privacy-Preserved Federated Learning for Medical Images: A Case Study of COVID-19 CT Scans

Rajesh Kumar, Wanwan Wang외 6명|arXiv (Cornell University)|2021. 04. 22.

Privacy-Preserving Technologies in Data참고 문헌 37인용 수 9

한 줄 요약

이 논문은 다수의 병원 간에 분산된 코로나19 CT 스캔 데이터에서 딥러닝 모델의 프라이버시를 보장하는 공동 훈련을 가능하게 하는 블록체인 통합 연합 학습 프레임워크를 제안한다. 동형 암호화를 통해 기울기 보안을 확보하고, 허가된 블록체인을 통해 신뢰할 수 없는 모델 집계를 실현함으로써, 원시 환자 데이터를 공유하지 않으면서도 높은 진단 정확도(글로벌 테스트에서 최대 87.18%)를 달성하여 의료 AI 분야의 데이터 프라이버시 및 신뢰 문제를 해결한다.

ABSTRACT

Medical health care centers are envisioned as a promising paradigm to handle the massive volume of data of COVID-19 patients using artificial intelligence (AI). Traditionally, AI techniques often require centralized data collection and training the model in a single organization, which is most common weakness due to the privacy and security of raw data communication. To solve this challenging task, we propose a blockchain-based federated learning framework that provides collaborative data training solutions by coordinating multiple hospitals to train and share encrypted federated models without leakage of data privacy. The blockchain ledger technology provides the decentralization of federated learning model without any central server. The proposed homomorphic encryption scheme encrypts and decrypts the gradients of model to preserve the privacy. More precisely, the proposed framework: i) train the local model by a novel capsule network to segmentation and classify COVID-19 images, ii) then use the homomorphic encryption scheme to secure the local model that encrypts and decrypts the gradients, and finally the model is shared over a decentralized platform through proposed blockchain-based federated learning algorithm. The integration of blockchain and federated learning leads to a new paradigm for medical image data sharing in the decentralized network. The conducted experimental resultsdemonstrate the performance of the proposed scheme.

연구 동기 및 목표

• 다수의 병원 간 공동 의료 AI 훈련에서 발생하는 데이터 프라이버시 및 보안 문제를 해결하기 위해.
• 중앙 집중식 데이터 공유 및 기존 연합 학습의 한계를 극복하기 위해, 중앙 서버에 의존하고 프라이버시 누출에 취약한 기존 방식을 개선하기 위해.
• 블록체인 기술을 통합하여 모델 집계를 분산화하고 병원 간에 신뢰할 수 없더라도 감사 가능하고 신뢰할 수 있는 협업을 보장하기 위해.
• 다양한 기관으로부터의 데이터 기여를 가능하게 하여 모델의 강건성과 일반화 능력을 향상시키기 위해, 원시 의료 영상 노출 없이도.
• 동형 암호화를 활용한 연합 학습을 통해 정확한 코로나19 진단을 지원하는 보안적이고 프라이버시 보장 프레임워크를 개발하기 위해.

제안 방법

• 각 병원이 자체 CT 스캔 데이터셋에서 로컬 캡슐 네트워크를 훈련시키며 원시 데이터를 공유하지 않는 새로운 연합 학습 아키텍처를 제안한다.
• 모델 기울기 집계 중에 기능 수준의 프라이버시를 유지하기 위해 동형 암호화 기법을 활용하여 기울기를 안전하게 암호화 및 복호화한다.
• 모든 병원의 모델 업데이트를 기록하고 검증하기 위해 허가된 블록체인을 사용하여 투명성, 불변성 및 신뢰할 수 없는 조율를 보장한다.
• 중앙 서버 없이도 분산된 방식으로 로컬 모델 업데이트를 글로벌 모델로 집계할 수 있는 블록체인 기반 연합 학습 알고리즘을 도입한다.
• 비교를 위해 FedAvg 및 FedProx 알고리즘을 베이스라인으로 활용하며, 블록체인 강화된 버전은 인증된 안전한 모델 업데이트를 제공한다.
• 모델 결정의 타당성을 검증하기 위해 확률적 Grad-CAM을 활용하여 CT 스캔의 주목적 영역을 시각화한다.

실험 결과

연구 질문

• RQ1 블록체인 기반 보안 연합 학습 프레임워크는 다수의 병원 간 협업 훈련을 가능하게 하면서도 환자 데이터 프라이버시를 효과적으로 보존할 수 있는가?
• RQ2 동형 암호화와 블록체인의 통합은 의료 영상 분야의 연합 학습에서 보안성과 신뢰성 향상에 어떻게 기여하는가?
• RQ3 제안된 프레임워크는 중앙 집중식 훈련 또는 표준 연합 학습 대비 진단 정확도를 유지하거나 향상시키는가?
• RQ4 블록체인 기반의 분산 모델 집계 방식은 다중 기관 환경에서 글로벌 모델의 수렴성과 성능에 어떤 영향을 미치는가?
• RQ5 병원 간의 데이터 이질성은 제안된 프레임워크에서 글로벌 모델의 일반화 능력과 강건성에 어떤 영향을 미치는가?

주요 결과

• 제안된 블록체인 기반 연합 학습 프레임워크는 글로벌 테스트 정확도 84.21% ± 0.43를 달성하여 표준 FedAvg(83.61% ± 0.18)와 FedProx(84.12% ± 0.58)를 초월했다.
• 제안된 프레임워크로 훈련된 모델은 병원 II의 글로벌 테스트 세트에서 최고 정확도 87.18%에 도달하여 다양한 데이터 분포 간 강력한 일반화 능력을 보였다.
• 동형 암호화는 기울기 집계 과정에서 성공적으로 모델 기울기를 보호하여 프라이버시 누출을 방지하면서도 모델 성능을 유지했다.
• 블록체인 통합을 통해 신뢰할 수 없더라도 감사 가능하고 분산된 모델 집계가 가능해졌으며, 중앙 서버 의존도가 제거되어 데이터 제공자 간 신뢰 문제를 완화했다.
• 캡슐 네트워크에서 유도된 시각적 주목 지도는 CT 스캔의 관련된 폐 부위를 강조하여 모델의 해석 가능성과 임상적 관련성을 확인했다.
• 현지 모델 평가에서 이 프레임워크는 코로나19 CT 스캔 진단에 98%의 정확도를 기록하여 높은 진단 잠재력을 입증했다.