Secure and Compliant Cloud-based Healthcare Analytics using Federated Learning and Differential Privacy
Notice bibliographique
Résumé
In the era of data-driven healthcare, ensuring the security, privacy, and regulatory compliance of cloud-based artificial intelligence (AI) systems has become critically significant. With sensitive patient data increasingly stored and processed in distributed cloud environments, safeguarding information while maintaining model performance is an initial requirement for ethical and legal AI deployment. Traditional machine learning (ML) models, though effective in terms of accuracy, require raw data transmission and centralized storage, exposing systems to increased risks of data breaches, unauthorized access, and privacy violations. Moreover, these existing systems often lack mechanisms for auditable compliance, adaptive privacy control, and scalable collaboration across multiple institutions. To address these limitations, this study presents a two-stage privacy-preserving AI framework for cloud and edge computing that integrates EfficientNetB0-based feature extraction, compressed variational autoencoders (CVAE) for anomaly detection, differential privacy (DP) transformation, federated learning (FL), and reinforcement learning (RL)-based adaptive privacy enforcement, enabled by blockchain-based compliance logging. Experimental evaluation on the Medical Information Mart for Intensive Care III (MIMIC-III) dataset demonstrates a high prediction accuracy of 97.3%, an AUROC of 0.981, and robust performance across varying privacy budgets (∈) . The model also shows steady convergence across federated training rounds without sacrificing privacy or accuracy. This study provides valuable insights into designing secure, privacy-aware, and compliant AI architectures for healthcare, offering a practical foundation for future systems deployed in sensitive, multi-institutional environments.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».