Advancing Privacy and Fairness in Healthcare Using Federated Edge Learning and Blockchain
Notice bibliographique
Résumé
Artificial intelligence (AI) has revolutionized many fields, including healthcare. The adoption of AI techniques in critical healthcare tasks, such as cancer diagnosis, holds great promise for revolutionizing the healthcare system. AI algorithms can be trained on vast datasets to recognize patterns, detect anomalies, and provide accurate assessments. However, the lack of realistic and up-to-date medical data poses a significant challenge to the widespread adoption of AI techniques. Additionally, privacy concerns surrounding sensitive medical data, particularly Patient Health Records (PHR), hinder data sharing among healthcare practitioners. This paper aims to address these challenges by proposing a novel framework, entitled SecureMed, that uses Federated Learning (FL) and Blockchain to preserve privacy in the healthcare system. In particular, SecureMed consists of (1) A novel distributed architecture that enables secure collaboration among multiple Mobile Edge Computing (MEC)-based Internet of Medical Things (IoMT) devices, while ensuring the privacy of healthcare systems; (2) A fairness-aware Federated Learning (FL) solution to ensure that model performance is balanced across all participating healthcare institutions, addressing the issue of imbalanced data contributions; (3) A Secure Multiparty Computation (SMPC) protocol to ensure secure aggregation of local model updates; and (4) A blockchain-based reputation model for collaborative FL training. The proposed framework leverages smart contracts to ensure trustworthiness, decentralization, and transparency in the FL process. The experimental results using the CIC IoMT dataset 2024 highlight the promising potential of SecureMed in revolutionizing 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 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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».