[论文解读] ModelChain: Decentralized Privacy-Preserving Healthcare Predictive Modeling Framework on Private Blockchain Networks

Tsung-Ting Kuo, Lucila Ohno‐Machado|arXiv (Cornell University)|Feb 6, 2018

Privacy-Preserving Technologies in Data参考文献 14被引用 201

一句话总结

本文提出 ModelChain，一种去中心化框架，使用私有区块链网络实现隐私保护的跨机构预测建模；在不共享原始患者数据的情况下进行。

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).

研究动机与目标

• 推动跨机构的预测建模，以提高医疗模型的泛化能力。
• 解决集中式协作建模架构中的隐私、安全性和鲁棒性问题。
• 提出一种去中心化的方法，在保护患者隐私的同时实现模型参数的共享。
• 将隐私保护的在线机器学习与私有区块链及新颖的信息共享协议结合起来。

提出的方法

• 介绍使用私有区块链传播部分模型信息的 ModelChain 架构。
• 整合隐私保护的在线机器学习技术，使只交换模型数据，而非观测数据。
• 开发一种新的信息证明机制，用以确定在线学习过程的顺序。
• 利用交易元数据在参与站点之间传播部分模型。
• 讨论对国家卫生优先事项的好处、局限性及互操作性影响。

实验结果

研究问题

• RQ1 如何利用私有区块链网络实现隐私保护的跨机构预测建模？
• RQ2 哪些机制能够确保跨站点的模型信息交换的安全性、鲁棒性和隐私保护？
• RQ3 信息证明算法如何影响去中心化环境中在线学习的顺序？
• RQ4 在医疗保健中应用基于区块链的隐私保护建模的互操作性和政策含义是什么？

主要发现

• ModelChain 使跨机构的协作预测建模在不暴露患者级数据的情况下成为可能。
• 该框架使用交易元数据来传播部分模型，而非原始数据。
• 引入一种新颖的信息证明算法，用于调控在线学习顺序。
• 该方法旨在提升互操作性，并支持如 PCOR 这样的国家卫生优先事项。
• 本文讨论了将区块链应用于隐私保护医疗建模的优点和潜在问题。