[论文解读] Applications of Machine Learning in Healthcare and Internet of Things (IOT): A Comprehensive Review

Farid Ghareh Mohammadi, Farzan Shenavarmasouleh+1 more|arXiv (Cornell University)|Feb 6, 2022

IoT and Edge/Fog Computing被引用 8

一句话总结

本综述全面探讨了机器学习在医疗物联网中的应用，重点研究了联邦学习（FL）等去中心化学习框架，以应对隐私和可扩展性挑战。文章提出了基于联邦学习的解决方案，如PerFit和FedHealth，可在不集中敏感患者数据的前提下，实现跨异构物联网设备的安全、个性化模型训练，在健康监测任务中实现了高准确率。

ABSTRACT

In recent years, smart healthcare IoT devices have become ubiquitous, but they work in isolated networks due to their policy. Having these devices connected in a network enables us to perform medical distributed data analysis. However, the presence of diverse IoT devices in terms of technology, structure, and network policy, makes it a challenging issue while applying traditional centralized learning algorithms on decentralized data collected from the IoT devices. In this study, we present an extensive review of the state-of-the-art machine learning applications particularly in healthcare, challenging issues in IoT, and corresponding promising solutions. Finally, we highlight some open-ended issues of IoT in healthcare that leaves further research studies and investigation for scientists.

研究动机与目标

• 解决将集中式机器学习应用于去中心化、异构医疗物联网数据的挑战。
• 克服来自物联网设备的分布式医疗数据分析中面临的隐私与安全风险。
• 开发可扩展且高效的机器学习框架，在保护数据隐私的同时实现精确的健康预测。
• 研究统计异质性与系统异质性对真实医疗物联网部署中联邦学习性能的影响。
• 提出并评估新型基于联邦学习的架构，支持个性化、实时健康监测，同时最大限度减少数据传输量。

提出的方法

• 采用联邦学习（FL）在不共享原始患者数据的前提下，在分布式物联网设备上训练全局模型与个性化模型。
• 通过三个阶段——任务卸载、模型学习与个性化——实现PerFit框架，以适应全局模型到个体用户。
• 在FedHealth中集成迁移学习，以减少不同医疗物联网用户间统计数据分布的差异。
• 应用加密技术保护客户端与中央服务器之间交换的模型更新。
• 使用FedAvg作为联邦优化算法，将本地模型更新聚合为稳健的全局模型。
• 利用轻量级设备端AI模型进行初步数据分析，以降低网络带宽与延迟。

实验结果

研究问题

• RQ1 如何在不损害患者隐私的前提下，有效在来自物联网设备的去中心化、异构医疗数据上训练机器学习模型？
• RQ2 将传统集中式学习应用于物联网医疗系统时面临哪些关键挑战？这些挑战与传统机器学习应用有何不同？
• RQ3 像PerFit和FedHealth这样的联邦学习框架在真实医疗物联网部署中，能在多大程度上提升模型准确率与个性化水平？
• RQ4 物联网设备间存在的统计与系统异质性如何影响联邦学习在医疗领域的收敛性与性能？
• RQ5 迁移学习在减少数据分布偏移并提升多样化医疗物联网用户间模型泛化能力方面发挥何种作用？

主要发现

• 联邦学习通过将原始数据保留在本地设备，实现了在分布式医疗物联网设备上的有效模型训练，同时保护了患者数据隐私。
• PerFit框架在Mobile-Act数据集上的人体活动识别任务中表现出色，通过三阶段学习实现了有效的个性化。
• FedHealth通过引入迁移学习与加密技术，在异构数据的跨机构医疗应用中提升了模型泛化能力与安全性。
• 在CPU、内存、带宽与功耗方面存在差异的异构物联网设备，对联邦学习的收敛性与系统稳定性构成重大挑战，需采用容错配置。
• 用户间的统计异质性会导致模型发散，而迁移学习通过对齐不同数据分布的表示，有效缓解了该问题。
• 隐私保护的联邦学习框架能够抵御对模型更新与最终模型的推理攻击，显著提升了去中心化医疗系统中的数据安全性。