[논문 리뷰] ModelChain: Decentralized Privacy-Preserving Healthcare Predictive Modeling Framework on Private Blockchain Networks

Tsung-Ting Kuo, Lucila Ohno‐Machado|arXiv (Cornell University)|2018. 02. 06.

Privacy-Preserving Technologies in Data참고 문헌 14인용 수 201

한 줄 요약

본 논문은 ModelChain이라는 분산 프레임워크를 제시합니다. 이는 개인 블록체인 네트워크를 사용하여 원시 환자 데이터를 공유하지 않고 개인정보를 보호하는 기관 간 예측 모델링을 가능하게 합니다.

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).

연구 동기 및 목표

• 의료 모델의 일반화 가능성을 향상시키기 위해 기관 간 예측 모델링의 동기를 제시하여 일반화 가능성을 향상시키려 한다.
• 협업 모델링을 위한 중앙 집중형 아키텍처에서의 프라이버시, 보안 및 강건성 우려를 다룬다.
• 환자 프라이버시를 보존하면서 모델 파라미터 공유를 가능하게 하는 분산형 접근법을 제안한다.
• 개인 프라이버시 보호 온라인 머신러닝을 개인 블록체인과 새로운 정보 공유 프로토콜과 함께 통합한다.

제안 방법

• 부분 모델 정보를 전파하기 위해 개인 블록체인을 활용하는 ModelChain 아키텍처를 소개한다.
• 관찰치가 아닌 모델 데이터만 교환되도록 프라이버시 보호형 온라인 머신러닝 기법을 통합한다.
• 온라인 학습 과정의 순서를 결정하기 위한 새로운 정보 증명 메커니즘을 개발한다.
• 참여 사이트 간 부분 모델을 전파하기 위해 트랜잭션 메타데이터를 활용한다.
• 국가 보건 정책 우선순위에 대한 이점, 한계 및 상호 운용성 시사점을 논의한다.

실험 결과

연구 질문

• RQ1 개인 블록체인 네트워크를 어떻게 활용하여 프라이버시를 보호하는 기관 간 예측 모델링을 가능하게 할 수 있는가?
• RQ2 사이트 간 모델 정보의 안전하고 강건하며 프라이버시 보호 교환을 보장하는 메커니즘은 무엇인가?
• RQ3 정보 증명 알고리즘이 분산 환경에서 온라인 학습의 순서에 어떤 영향을 미치는가?
• RQ4 의료 분야에서 블록체인 기반 프라이버시 보호 모델링을 적용할 때의 상호 운용성 및 정책 시사점은 무엇인가?

주요 결과

• ModelChain은 기관 간 환자 수준 데이터를 노출하지 않고 협력적 예측 모델링을 가능하게 한다.
• 프레임워크는 원시 데이터가 아닌 부분 모델을 전파하기 위해 트랜잭션 메타데이터를 사용한다.
• 온라인 학습 순서를 조절하기 위해 새로운 정보 증명 알고리즘이 도입되었다.
• 이 접근 방식은 향상된 상호 운용성을 목표로 하며 PCOR과 같은 국가 보건 우선순위를 지원한다.
• 논문은 프라이버시 보호형 의료 모델링에 블록체인 적용의 이점과 잠재적 문제를 논의한다.