When Collaborative Federated Learning Meets Blockchain to Preserve Privacy in Healthcare
Notice bibliographique
Résumé
Data-driven Machine and Deep Learning (ML/DL) is an emerging approach that uses medical data to build robust and accurate ML/DL models that can improve clinical decisions in some critical tasks ($e.g.,$cancer diagnosis). However, ML/DL-based healthcare models still suffer from poor adoption due to the lack of realistic and recent medical data. The privacy nature of these medical datasets makes it difficult for clinicians and healthcare service providers, to share their sensitive data ($i.e.,$Patient Health Records (PHR)). Thus, privacy-aware collaboration among clinicians and healthcare service providers is expected to become essential to build robust healthcare applications supported by next-generation networking (NGN) technologies, including Beyond sixth-generation (B6G) networks. In this paper, we design a new framework, called HealthFed, that leverages Federated Learning (FL) and blockchain technologies to enable privacy-preserving and distributed learning among multiple clinician collaborators. Specifically, HealthFed enables several distributed SDN-based domains, clinician collaborators, to securely collaborate in order to build robust healthcare ML-based models, while ensuring the privacy of each clinician participant. In addition, HealthFed ensures a secure aggregation of local model updates by leveraging a secure multiparty computation scheme ($i.e.,$Secure Multiparty Computation (SMPC)). Furthermore, we design a novel blockchain-based scheme to facilitate/maintain the collaboration among clinician collaborators, in a fully decentralized, trustworthy, and flexible way. We conduct several experiments to evaluate HealthFed; in-depth experiments results using public Breast Cancer dataset show the efficiency of HealthFed, by not only ensuring the privacy of each collaborator's sensitive data, but also providing an accurate learning models, which makes HealthFed a promising framework for healthcare systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,007 | 0,018 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».