Protecting Privacy in IoMT-based Disease Diagnosis Using an Efficient Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The profound fusion of the Internet of Things (loT) with the medical sector has resulted in the emergence of the Internet of Medical Things (loMT). Within IoMT, healthcare professionals address patient illnesses by examining data gathered from medical sensors in which their measurements are reported via mobile devices' artificial intelligence (AI)- empowered applications. Hence, the patient's health records are fed into machine-learning (ML) models for disease diagnosis (DD) and prediction. Nevertheless, revealing this sensitive information enables inferring confidential information about patients, thereby, their privacy is violated. To address this privacy issue, the existing works focus on using federated learning (FL)-based approaches to train and obtain an accurate global DD model through collaborative efforts among multiple parties (e.g., healthcare institutions). However, there is a notable gap in research on addressing the privacy violation problem during the future DD process (in the deployment phase) after obtaining the global DD model, which has not been thoroughly investigated yet. Therefore, in this paper, we introduce an innovative privacy-preserving scheme for an accurate disease diagnosis (DD) while emphasizing the preservation of patients' privacy. The proposed design enables patients to encrypt their health data using functional encryption (FE), allowing for DD without revealing or learning patients' data to protect their privacy. Additionally, we develop a hybrid deep learning (DL) model that can yield precise DD. To demonstrate the feasibility of our approach, we assess its performance on real health data records using the Cleveland dataset, from the University of California Irvine (UCI), showing that our scheme can accurately diagnose heart disease while ensuring robustness, privacy preservation, and reasonable overhead.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle