[论文解读] Blockchain-Federated-Learning and Deep Learning Models for COVID-19 Detection Using CT Imaging

Rajesh Kumar, Abdullah Aman Khan+8 more|arXiv (Cornell University)|Jul 10, 2020

COVID-19 diagnosis using AI参考文献 72被引用 466

一句话总结

本文提出了一种区块链联邦学习框架，实现了从CT扫描中对COVID-19进行隐私保护的协作训练，采用胶囊网络（Capsule Network）。通过规范化来自多家医院的异构数据，并仅通过区块链保护的联邦学习管道共享模型更新，该方法在分类COVID-19、病毒性肺炎和正常病例时实现了98.68%的准确率，同时保护了数据隐私，并支持跨机构的实时模型优化。

ABSTRACT

With the increase of COVID-19 cases worldwide, an effective way is required to diagnose COVID-19 patients. The primary problem in diagnosing COVID-19 patients is the shortage and reliability of testing kits, due to the quick spread of the virus, medical practitioners are facing difficulty identifying the positive cases. The second real-world problem is to share the data among the hospitals globally while keeping in view the privacy concerns of the organizations. Building a collaborative model and preserving privacy are major concerns for training a global deep learning model. This paper proposes a framework that collects a small amount of data from different sources (various hospitals) and trains a global deep learning model using blockchain based federated learning. Blockchain technology authenticates the data and federated learning trains the model globally while preserving the privacy of the organization. First, we propose a data normalization technique that deals with the heterogeneity of data as the data is gathered from different hospitals having different kinds of CT scanners. Secondly, we use Capsule Network-based segmentation and classification to detect COVID-19 patients. Thirdly, we design a method that can collaboratively train a global model using blockchain technology with federated learning while preserving privacy. Additionally, we collected real-life COVID-19 patients data, which is, open to the research community. The proposed framework can utilize up-to-date data which improves the recognition of computed tomography (CT) images. Finally, our results demonstrate a better performance to detect COVID-19 patients.

研究动机与目标

• 解决医院间共享敏感医疗数据时保护患者和机构隐私的挑战。
• 开发一种鲁棒的深度学习模型，能够在来自不同CT扫描仪的异构数据背景下，准确检测肺部CT扫描中COVID-19的早期迹象。
• 实现在不集中原始数据的情况下，通过协作实现全球模型训练，克服医疗AI中的数据孤岛和隐私障碍。
• 发布一个新公开的CT扫描数据集（CC-19），包含89名患者共34,006张切片，其中68例为确诊COVID-19病例。

提出的方法

• 提出了一种数据归一化技术，以处理多源CT影像数据中模态和扫描仪的异质性。
• 采用胶囊网络（Capsule Network）同时进行肺部异常区域的分割与分类，以提升泛化能力和特征学习效果。
• 整合联邦学习，通过聚合来自医院的本地模型更新来训练全局深度学习模型，而无需共享原始数据。
• 利用区块链技术对模型更新和数据贡献进行认证与安全记录，确保协作训练过程的透明性与完整性。
• 设计了一种去中心化、隐私保护的框架，医院保留本地数据，仅交换模型权重和梯度。
• 发布了名为CC-19的新公共数据集，包含89名受试者共34,006张CT切片（68例阳性，21例阴性），供开放研究使用。

实验结果

研究问题

• RQ1 集成区块链的联邦学习框架是否能有效训练一个全球深度学习模型用于COVID-19检测，同时不损害医院间的数据隐私？
• RQ2 来自不同CT扫描仪的数据异质性如何影响模型性能？归一化技术能否缓解此问题？
• RQ3 胶囊网络在分类肺部CT扫描中细微的COVID-19模式方面是否优于传统卷积神经网络（CNN）？
• RQ4 与在单一医院数据上独立训练的模型相比，通过联邦学习进行协作训练在多大程度上能提升诊断准确率？
• RQ5 透明且不可篡改的区块链账本是否能增强多机构医疗AI模型开发中的信任与问责性？

主要发现

• 所提出的框架在CC-19数据集上实现了98.68%的分类准确率，显著优于现有方法。
• 基于胶囊网络的模型在泛化能力和敏感度（98%）方面表现更优，尤其在检测小范围、早期感染区域方面优于传统CNN。
• 联邦学习实现了在三家医院间有效的全局模型训练，模型准确率在80次训练迭代中稳步收敛。
• 所有医院的训练损失均持续下降，表明在去中心化设置下模型收敛稳定且有效。
• 基于区块链的系统确保了模型更新的安全、透明与可审计性，在协作训练过程中未观察到数据泄露。
• CC-19数据集的公开发布为未来基于医学影像的AI驱动COVID-19检测研究提供了宝贵的基准。