[论文解读] Federated Learning for Privacy-Preserving Open Innovation Future on Digital Health

Guodong Long, Tao Shen+4 more|arXiv (Cornell University)|Aug 24, 2021

Privacy-Preserving Technologies in Data被引用 11

一句话总结

本文提出联邦学习（FL）作为一种保护隐私的框架，用于数字健康领域的开放创新，使医疗保健机构能够在不集中敏感患者数据的情况下协同训练共享的人工智能模型。通过聚合来自分散数据源的模型更新，FL 在确保数据隐私的同时实现了与集中式学习相当的性能，从而推动了更具泛化性、个性化和可扩展性的医疗人工智能应用。

ABSTRACT

Privacy protection is an ethical issue with broad concern in Artificial Intelligence (AI). Federated learning is a new machine learning paradigm to learn a shared model across users or organisations without direct access to the data. It has great potential to be the next-general AI model training framework that offers privacy protection and therefore has broad implications for the future of digital health and healthcare informatics. Implementing an open innovation framework in the healthcare industry, namely open health, is to enhance innovation and creative capability of health-related organisations by building a next-generation collaborative framework with partner organisations and the research community. In particular, this game-changing collaborative framework offers knowledge sharing from diverse data with a privacy-preserving. This chapter will discuss how federated learning can enable the development of an open health ecosystem with the support of AI. Existing challenges and solutions for federated learning will be discussed.

研究动机与目标

• 为解决医疗人工智能中的数据隐私和监管限制挑战，通过在不共享原始患者数据的情况下实现协作式模型训练。
• 通过创建医院、研究人员和卫生组织之间去中心化的知识与数据共享框架，支持医疗领域的开放创新。
• 通过联邦学习系统克服多机构医疗机器学习中的数据异质性和安全限制。
• 证明 FL 可在保护患者隐私并符合 HIPAA 和 GDPR 等法规的前提下，实现与集中式学习相当的性能。
• 实现更具有泛化性、个性化和可扩展性的临床预测与决策支持人工智能模型，适用于多样化健康数据集。

提出的方法

• 联邦学习被实施为一种去中心化的机器学习范式，其中本地模型在各机构内使用其私有数据进行本地训练。
• 在参与者之间共享模型参数和梯度，而非原始数据，从而保护数据隐私并符合监管要求。
• 中央服务器使用 FedAvg 或类似聚合算法，从多个客户端聚合模型更新以训练全局模型。
• 该框架支持跨存储库 FL，即多个机构（如医院）在不共享患者级别数据的情况下协作。
• 该系统能够处理异构数据结构，包括表格化电子健康记录（EHR）、医学影像和可穿戴设备的时间序列数据。
• 该方法支持多模态数据融合和可解释模型开发，从而增强临床相关性与可信度。

实验结果

研究问题

• RQ1 联邦学习能否在不共享敏感患者数据的情况下，实现医疗领域中有效的协作式人工智能模型训练？
• RQ2 在临床预测任务中，联邦学习与集中式学习在模型性能方面有何比较？
• RQ3 联邦学习在多机构间实现安全数据协作方面，能在多大程度上支持医疗领域的开放创新？
• RQ4 联邦学习如何应对多机构医疗环境中数据异质性和隐私挑战？
• RQ5 联邦学习在改善患者预后和促进医疗体系可持续性方面具有哪些实际影响？

主要发现

• 在预测心脏病住院风险方面，联邦学习实现了与集中式学习相当的性能，AUC 和准确率相近。
• 在预测院内死亡率方面，FL 框架与集中式模型的性能相当，证明了其在真实临床环境中的可行性。
• FL 实现了跨机构的隐私保护患者相似性搜索，而无需暴露个体级别数据，如 Lee 等人（2018）所示。
• FL 实现了无需共享患者级别数据的计算表型分析，如 Kim 等人（2017）所展示，支持可扩展且合乎伦理的数据使用。
• 在多机构数据上通过 FL 训练的全局模型，其泛化能力优于在单机构数据集（如 MIMIC-III）上训练的模型。
• 使用 FL 可实现更早的疾病检测、减少住院次数，并改善慢性病管理，从而促进医疗体系的可持续发展。