[论文解读] Machine Learning in Precision Medicine to Preserve Privacy via Encryption

William Briguglio, Parisa Moghaddam+3 more|arXiv (Cornell University)|Feb 5, 2021

Cancer Genomics and Diagnostics参考文献 15被引用 23

一句话总结

本文提出了一种机器学习加密（MLE）框架，利用全同态加密在MSK-IMPACT基因组数据集上实现隐私保护的癌症预测。该框架在加密数据上训练模型，达到77.47%的准确率——略高于先前工作——并通过全同态加密确保患者基因组隐私，同时公开发布全部代码和云部署服务。

ABSTRACT

Precision medicine is an emerging approach for disease treatment and prevention that delivers personalized care to individual patients by considering their genetic makeups, medical histories, environments, and lifestyles. Despite the rapid advancement of precision medicine and its considerable promise, several underlying technological challenges remain unsolved. One such challenge of great importance is the security and privacy of precision health-related data, such as genomic data and electronic health records, which stifle collaboration and hamper the full potential of machine-learning (ML) algorithms. To preserve data privacy while providing ML solutions, this article makes three contributions. First, we propose a generic machine learning with encryption (MLE) framework, which we used to build an ML model that predicts cancer from one of the most recent comprehensive genomics datasets in the field. Second, our framework's prediction accuracy is slightly higher than that of the most recent studies conducted on the same dataset, yet it maintains the privacy of the patients' genomic data. Third, to facilitate the validation, reproduction, and extension of this work, we provide an open-source repository that contains the design and implementation of the framework, all the ML experiments and code, and the final predictive model deployed to a free cloud service.

研究动机与目标

• 解决在共享敏感基因组和电子健康数据时精准医学中隐私泄露的关键挑战。
• 开发一种机器学习框架，实现在不暴露原始患者信息的前提下对加密数据进行模型训练和推理。
• 在保护数据隐私的同时，利用MSK-IMPACT基因组数据集提高癌症风险预测的准确性。
• 通过公开源代码、系统设计和免费的云预测服务，促进可复现性与社区扩展。

提出的方法

• MLE框架采用微软SEAL库中的BFV方案实现同态加密（HE），对加密的基因组特征执行计算。
• 特征预处理包括标准化、对数变换，以及通过互信息或卡方检验进行特征选择，以优化模型性能。
• 选择线性模型（逻辑回归和SVM）作为HE友好的分类器，因其与同态运算具有良好的兼容性。
• 模型使用同态加法和乘法计算加密的线性得分，随后仅将加密得分发送给客户端进行最终解密和决策。
• 该框架支持多种特征预处理和分类器配置组合，共在MSK-IMPACT数据集上测试了2,240种组合。
• 已部署免费云服务，使医疗从业者可上传病例并获取加密预测结果，而无需暴露原始数据。

实验结果

研究问题

• RQ1 能否在加密的基因组数据上训练并部署机器学习模型，以在保持高预测准确率的同时保护患者隐私？
• RQ2 基于同态加密的模型在相同MSK-IMPACT数据集上的性能与非加密模型相比如何？
• RQ3 不同同态加密参数设置在准确率与预测时间方面的计算权衡如何？
• RQ4 如何使隐私保护的机器学习对医疗、机器学习和软件工程社区更具可访问性和可复现性？
• RQ5 MLE框架能否在未来支持更复杂模型的集成，同时保持数据隐私？

主要发现

• MLE框架在MSK-IMPACT数据集上实现了77.47%的预测准确率，优于该数据集上最近发表的研究。
• 模型性能在不同精度级别下保持稳定，当乘数范围为10^3至10^9时，准确率稳定在77.41%。
• 最佳配置采用标准化与卡方检验特征选择，结合逻辑回归分类器，达到77.47%的准确率。
• 框架的加密时间受参数选择影响显著，最优设置下在标准机器上每样本平均预测时间约为3456秒。
• 在精度级别达到10^6及以上时，得分排序的一致性达到100%，表明相对风险排序具有高度一致性。
• 已发布开源代码库，包含完整代码、模型部署方案，以及为医疗从业者提供的免费云服务，可安全测试单个病例。