[논문 리뷰] Fed-BioMed: Open, Transparent and Trusted Federated Learning for Real-world Healthcare Applications

Francesco Cremonesi, Marc Vesin외 17명|arXiv (Cornell University)|2023. 04. 24.

Privacy-Preserving Technologies in Data인용 수 8

한 줄 요약

Fed-BioMed는 실제 세계의 의료 연구를 위한 개방적이고 투명하며 안전한 연합학습 프레임워크를 제시하며, 거버넌스, 생물의학 데이터 표준과의 상호운용성, 연구자 상호작용성, 에지 노드 보안을 강조합니다.

ABSTRACT

The real-world implementation of federated learning is complex and requires research and development actions at the crossroad between different domains ranging from data science, to software programming, networking, and security. While today several FL libraries are proposed to data scientists and users, most of these frameworks are not designed to find seamless application in medical use-cases, due to the specific challenges and requirements of working with medical data and hospital infrastructures. Moreover, governance, design principles, and security assumptions of these frameworks are generally not clearly illustrated, thus preventing the adoption in sensitive applications. Motivated by the current technological landscape of FL in healthcare, in this document we present Fed-BioMed: a research and development initiative aiming at translating federated learning (FL) into real-world medical research applications. We describe our design space, targeted users, domain constraints, and how these factors affect our current and future software architecture.

연구 동기 및 목표

• 생물의학 연구와 보건의료 분야에 FL을 적용하기 위한 설계 공간과 지침 원칙을 정의한다.
• 데이터 거버넌스, 상호운용성, 연구자 상호작용성, 보안 등 도메인 특유의 요구사항을 식별하고 이를 소프트웨어 아키텍처에 매핑한다.
• 이질적 병원 인프라 전반에 걸친 배치를 간소화하기 위한 메커니즘(DataLoadingPlan, TrainingPlan, 거버넌스 GUI)을 제안한다.
• 네트워크, 연구자, 노드의 세 가지 구성요소로 이루어진 아키텍처와 의료 분야의 FL 실험에 대한 거버넌스 중심의 워크플로를 제시한다.
• 생물의학 도메인의 기존 FL 프레임워크와의 비교 및 생산 배포와 연구 배포 간 고려사항을 개략한다.

제안 방법

• 헬스케어 FL에서의 Fed-BioMed의 설계 공간, 목표 및 대상 사용자 역할을 설명한다.
• 거버넌스, 상호운용성, 상호작용성, 보안에 중점을 둔 주요, 보조, 소수의 요구사항을 정의한다.
• 네트워크, 연구자, 노드로 구성된 아키텍처 구성요소와 데이터 주도적 TrainingPlan/Experiment 구성들을 제안한다.
• TrainingPlan 승인 및 DataLoadingPlan을 통한 데이터 적재 맞춤화 등 노드 측 거버넌스 기능을 구현한다.
• 연구자 대상 Python SDK와 실험 구성을 위한 Jupyter 친화적 인터페이스를 제공하고 로깅 및 체크포인팅을 지원한다.
• 컨테이너화와 데이터셋 클래스를 통해 데이터 표준 통합과 이질적 에지 인프라를 지원한다.

Figure 1: Workflow of an FL experiment from the point of view of a clinical data provider. The shaded area represents \fbm ’s design space in terms of functionalities and targeted usage.

실험 결과

연구 질문

• RQ1 헬스케어 및 생의학 분야에서 FL을 적용하기 위한 도메인 특화 요구사항과 설계 고려사항은 무엇인가?
• RQ2 현실 세계 병원 네트워크에서 Fed-BioMed가 데이터 거버넌스, 상호운용성, 연구자 상호작용성 및 보안 요구를 어떻게 충족시킬 수 있는가?
• RQ3 생의학에서 안전하고 상호작용적이며 변조 방지형 연합 학습을 가능하게 하는 어떤 아키텍처 선택과 소프트웨어 메커니즘이 있는가?
• RQ4 의료 적용성 및 거버넌스 능력 측면에서 Fed-BioMed가 기존 FL 프레임워크와 어떻게 비교되는가?
• RQ5 Fed-BioMed 내에서 연구 실험에서 생산 배포로 전환하기 위한 의도된 워크플로우는 무엇인가?

주요 결과

• Fed-BioMed는 생의학 FL에서 거버넌스, 상호운용성, 상호작용성, 보안을 다루기 위한 4단계 요구사항 프레임워크(주요, 2차, 보조, 경미)를 제시한다.
• 아키텍처는 이질적 병원 인프라 전반에 걸쳐 안전하고 상호작용적인 연합 학습을 중개하기 위해 네트워크, 연구자, 노드의 세 구성요소를 중심으로 한다.
• 데이터 형식의 통일성과 모델 학습을 조화시키고 노드 거버넌스 및 보안 제어를 가능하게 하는 DataLoadingPlan 및 TrainingPlan 개념을 도입한다.
• 연구자와 데이터 공급자를 지원하는 Python SDK와 Jupyter 친화 인터페이스를 제공하며, 계획 승인 및 코드 해싱과 같은 기능으로 치환 공격을 완화한다.
• Fed-BioMed의 설계 공간을 SubstraFL, OpenFL, Flare, Flower와 비교하고 거버넌스, 생의학 데이터 통합, 대화형 실험 등의 도메인 중심 역량을 강조한다.
• 생산 배포 대 연구 배포 고려사항을 설명하고 사람의 개입이 포함된 거버넌스와 안전하고 감사 가능한 워크플로우를 강조한다.

Figure 2: High-level architecture and design pillars of \fbm : node-side governance and control, interoperability with medical data standards and infrastructure, researcher interactivity, and data privacy and security. \fbm is composed of three components: the researcher, a data scientist responsibl