Health-FedNet: למידה פדרטיבית מאובטחת לחיזוי מחלות כרוניות ב-MIMIC-III באמצעות פרטיות דיפרנציאלית והצפנה הומומורפית

מדוע לנתוני הרפואה שלכם צריכים סוגים חדשים של מנעולים

בתי חולים מודרניים פונים לבינה מלאכותית כדי לזהות מחלות מוקדם יותר ולהתאים טיפולים, אך כוח זה מביא איתו בעיה: מחשבים לומדים הכי טוב מתוך ערימות גדולות של רשומות מטופלים שהן רגישות מדי כדי לאחדן במקום אחד. מאמר זה מציג את Health-FedNet, שיטה חדשה שמאפשרת לבתי חולים לאמן כלי חיזוי חזקים למחלות כרוניות כמו סוכרת ולחץ דם גבוה תוך שמירה על פרטיות פרטי המטופל בתוך כל מוסד. הוא מראה כיצד אפשר לקבל את היתרונות של רפואה מבוססת נתונים גדולים בלי ליצור מטרה מפתה אחת עבור תוקפים או להפר חוקים להגנת הפרטיות.

איך בתי חולים יכולים ללמוד ביחד בלי לשתף תיקים

Health-FedNet מבוסס על גישה שנקראת למידה פדרטיבית, שבה מודל חיזוי משותף נשלח למספר בתי חולים, מאומן באופן מקומי על נתוני כל אתר, ולאחר מכן מוחזר כקבוצה מעודכנת של ערכים. במקום לאסוף רשומות רפואיות גולמיות במחסן מרכזי, רק העדכונים עוברים, כך שמידע על מטופלים לעולם לא יוצא מתוך קירות בית החולים. השרת המרכזי משלב אחר כך את כל העדכונים כדי לייצר מודל גלובלי משופר, והמחזור הזה חוזר עד שהחיזויים מתייצבים. בעבודה זו, הכותבים מדמים רשת בתי חולים באמצעות מאגר ה-ICU המוכר MIMIC-III, ובודקים את Health-FedNet בחיזוי מי עלול לפתח סוכרת או יתר לחץ דם.

הוספת רעש ומנעולים כדי להסתיר מטופלים בודדים

החלפת עדכוני מודל לבדה אינה מספיקה כדי להבטיח פרטיות, כי תוקפים מיומנים יכולים לפעמים לעקוב חזרה מהעדכונים וללמוד על מטופלים בודדים. Health-FedNet מתמודד עם זה בשתי שכבות. ראשית, כל בית חולים מוסיף במתכוון כמות קטנה של "רעש" מתמטי לעדכוניו, כך שההשפעה של רשומה אחת הופכת לבלתי מובחנת. טכניקה זו, הקרויה פרטיות דיפרנציאלית, מאפשרת לכותבים להציב גבול מספרי קשיח על כמה יכולה להיות החשיפה של כל רשומה בודדת. שנית, העדכונים המושרשים ברעש מוצפנים באמצעות שיטה שמאפשרת לשלב אותם תוך כדי הצפנה, כך שהשרת המרכזי אף פעם אינו רואה אותם בצורתם הפשוטה. יחד, השכבות האלה מצמצמות משמעותית את הסיכוי שמקורבים — או אפילו השרת עצמו — יצליחו לשחזר פרטים פרטיים.

לתת לנתונים איכותיים לדבר בקול רם יותר

בתי חולים אמיתיים אינם זהים. חלקם מטפלים במספר גדול יותר של מאושפזים, חלקם אוספים מידע עשיר יותר, וחלקם בעלי רשומות רועשות יותר. אם כל תרומה של מוסד תטופל שווה, המודל הסופי עלול להיפגע מנתונים באיכות נמוכה. Health-FedNet מציג סכמת שקלול אדפטיבית שמדרגת כל בית חולים על בסיס כמות הרשומות שברשותו וכמה טוב המודל המקומי שלו עובד. אלה עם נתונים עקביים ומידע תורם זוכים להשמעה חזקה יותר כאשר משלבים את העדכונים, תוך שמירה על כך שאף אתר יחיד לא ישתלט. הכותבים מראים שהשקלול הזה מסייע למודל המשותף ללמוד בצורה יציבה יותר כאשר שיעורי המחלה ואיכות הרשומות משתנים בין מוסדות — מצב ריאלי במערכת הבריאות היומיומית.

כמה טוב המערכת מנבאת ומגנה

כדי לבדוק מעשיות, הצוות משווה את Health-FedNet גם למודל מרכזי סטנדרטי שמתאמן על נתונים מאוחדים וגם להגדרה פדרטיבית בסיסית ללא הכלים המתקדמים לפרטיות. ברשת בתי החולים המדומה, Health-FedNet מנבא מחלות כרוניות בדיוק של כ-92% וציון AUC של 0.94, מעל החלופות. במקביל, הוא מקטין באופן חד את הסיכון שתוקף יוכל לקבוע אם רשומת אדם מסוים שימשה לאימון, או לשחזר את פרטיו הרפואיים, ומפחית סיכוני דליפה כאלו בכ-שלושה עד ארבעה מקומות. למרות ההצפנה והרעש הנוספים, המערכת גם מצמצמת את העומס התקשורתי בין בתי החולים לשרת המרכזי, הודות לאריזה ושקלול קפדניים של העדכונים, מה שהופך אותה לפרקטית יותר לרשתות גדולות.

מה הדבר אומר לרפואה הדיגיטלית העתידית

במונחים פשוטים, Health-FedNet מראה שאין צורך לבחור בין חיזויים רפואיים מדויקים לבין אמצעי פרטיות חזקים. על ידי מתן אפשרות לבתי חולים ללמוד יחד מדפוסים בנתוניהם תוך שמירה על התיקים האישיים מקומיים, הוספת רעש מנוטר בקפדנות והצפנת עדכונים מקצה לקצה, המסגרת עומדת בדרישות מרכזיות של רגולציות כמו HIPAA ו-GDPR. המחקר מציע שעיצובים דומים עשויים לשמש בסיס לרשתות בריאות ארציות ואפילו בינלאומיות בעתיד, שבהן מוסדות רבים משתפים פעולה לחיזוי מחלות, זיהוי התפרצויות והכוונת טיפולים — מבלי להעמיד את רשומות המטופלים הגולמיות בידיים חיצוניות.

ציטוט: Shahid, M.I., Badar, H.M.S., Asghar, M.N. et al. Health-FedNet: secure federated learning for chronic disease prediction on MIMIC-III with differential privacy and homomorphic encryption. Sci Rep 16, 7968 (2026). https://doi.org/10.1038/s41598-026-36034-y

מילות מפתח: למידה פדרטיבית, פרטיות נתוני בריאות, חיזוי מחלות כרוניות, אבטחת בינה רפואית, שיתוף נתוני בתי חולים