MedVault: A Blockchain-Integrated Deep Learning Architecture for Secure Medical Data Management
Notice bibliographique
Résumé
Secure and efficient healthcare data sharing is critical for modern medical ecosystems, yet existing systems often suffer from limited scalability, privacy risks, and lack of intelligent data management. This study proposes MedVault, a hybrid blockchain-cloud-AI framework designed for secure, patient-centric healthcare data management. The architecture employs Corda for on-chain storage of consent records, metadata, and audit logs, while large medical datasets are encrypted and stored off-chain in AWS S3 with PostgreSQL metadata management. Security is reinforced using AES-256 encryption, Proxy Re-Encryption (PRE), Zero-Knowledge Proofs (ZKP), and decentralized identity management via Hyperledger Indy and Aries, while a FHIR-based gateway ensures seamless integration with electronic health records (EHRs). Intelligence is incorporated through deep learning models, including Autoencoders for anomaly detection, CNNLSTM for medical data analytics, Graph Neural Networks (GNNs) for consent prediction, DNNs for risk assessment, and Federated Learning (FL) for privacy-preserving distributed model training. Variational Autoencoders (VAEs) generate synthetic datasets, and Explainable AI techniques (SHAP, LIME) ensure interpretability. Extensive evaluations demonstrate that Corda-MedVault outperforms Hyperledger Fabric, Ethereum, and traditional centralized approaches across metrics such as blockchain latency, throughput, auditability, off-chain storage efficiency, energy consumption, anomaly detection, and consent prediction. Overall, the proposed system provides a scalable, energy-efficient, privacypreserving, and intelligent platform for real-time healthcare data sharing, offering a robust solution for secure and compliant medical data management.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».