An Efficient and Zero-Trust Approach for Privacy-Preserving Healthcare Diagnostics
Notice bibliographique
Résumé
The integration of the Internet of Things (IoT) into the healthcare industry has led to the development of the Internet of Medical Things (IoMT). In IoMT, healthcare professionals diagnose and treat patients by analyzing data collected from medical sensors, with measurements transmitted via AI-powered mobile applications. These health records are subsequently processed through machine learning (ML) models for disease diagnosis$(\mathcal{DD})$and prediction. However, exposing such sensitive data raises privacy concerns, as it may lead to the inference of confidential patient information. To mitigate this issue, existing research primarily employs federated learning (FL)-based strategies to collaboratively train and generate an accurate global$\mathcal{DD}$model across multiple healthcare institutions. Despite these efforts, a significant gap remains in addressing privacy risks during the future$\mathcal{DD}$process in the deployment phase, once the global model has been established-an aspect that has not been thoroughly explored. In response, this paper introduces a novel decentralized privacy-preserving scheme for accurate$\mathcal{DD}$while ensuring patient data confidentiality. The proposed approach enables patients to encrypt their medical records using functional encryption (FE) without relying on a trusted key distribution center (KDC), thereby allowing$\mathcal{DD}$without exposing their health data. Additionally, we design a hybrid deep learning (DL) model to enhance diagnostic accuracy. To validate our approach, we evaluate its performance on real-world health records from the Cleveland dataset, sourced from the University of California Irvine (UCI). Our results demonstrate that the proposed scheme effectively diagnoses heart disease while maintaining robustness, preserving privacy, and minimizing computational 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.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».