Health-FedNet: bezpieczne uczenie federacyjne do prognozowania chorób przewlekłych na MIMIC-III z prywatnością różnicową i szyfrowaniem homomorficznym

Dlaczego twoje dane medyczne potrzebują nowych rodzajów zabezpieczeń

Współczesne szpitale sięgają po sztuczną inteligencję, by wcześniej wykrywać choroby i dostosowywać leczenie, ale ta moc ma swoją cenę: komputery uczą się najlepiej na ogromnych zbiorach danych pacjentów, które są zbyt wrażliwe, by po prostu je scentralizować. W artykule przedstawiono Health-FedNet — nowy sposób, dzięki któremu szpitale mogą trenować silne narzędzia predykcyjne dla chorób przewlekłych, takich jak cukrzyca i nadciśnienie, przy jednoczesnym zachowaniu poufności danych pacjentów w obrębie każdej instytucji. Pokazuje on, jak czerpać korzyści z medycyny opartej na dużych zbiorach danych, nie tworząc jednego łakomego celu dla hakerów ani nie naruszając przepisów o prywatności.

Jak szpitale mogą się uczyć wspólnie bez udostępniania kart pacjentów

Health-FedNet opiera się na podejściu zwanym uczeniem federacyjnym, w którym wspólny model predykcyjny wysyłany jest do wielu szpitali, tam trenowany lokalnie na danych danego ośrodka, a następnie odsyłany jako zaktualizowany zestaw parametrów. Zamiast gromadzić surowe dane medyczne w centralnym magazynie, podróżują jedynie te aktualizacje, więc informacje o pacjentach nigdy nie opuszczają murów szpitala. Serwer centralny łączy następnie wszystkie aktualizacje, tworząc ulepszony model globalny, i cykl ten powtarza się aż do ustabilizowania się predykcji. W pracy autorzy symulują sieć szpitali korzystając z dobrze znanej bazy danych intensywnej opieki MIMIC-III, prosząc Health-FedNet o przewidzenie, którzy pacjenci rozwiną cukrzycę lub nadciśnienie.

Dodawanie szumu i zamków, by ukryć pojedynczych pacjentów

Samo wymienianie się aktualizacjami modelu nie wystarcza, by zagwarantować prywatność, ponieważ sprawni napastnicy mogą czasem odwrócić proces i wydedukować informacje o pojedynczych pacjentach. Health-FedNet przeciwdziała temu na dwóch poziomach. Po pierwsze, każdy szpital celowo dodaje niewielką ilość matematycznego „szumu” do swoich aktualizacji, tak by wpływ pojedynczego rekordu stał się nieodróżnialny. Technika ta, zwana prywatnością różnicową, pozwala autorom na ustalenie sztywnej, numerycznej granicy tego, ile informacji o pojedynczym rekordzie może zostać ujawnione. Po drugie, zaszumione aktualizacje są szyfrowane metodą, która nadal pozwala je łączyć podczas gdy pozostają zamknięte, więc serwer centralny nigdy ich nie widzi w postaci jawnej. W połączeniu te warstwy znacząco zmniejszają szanse, że osoby trzecie — a nawet sam serwer — odtworzą prywatne dane.

Pozwalanie, by dane wysokiej jakości mówiły głośniej

Rzeczywiste szpitale nie są takie same. Niektóre leczą więcej pacjentów, niektóre zbierają bogatsze informacje, a w innych zapisy bywają bardziej zaszumione. Jeśli wkład każdej instytucji traktowany jest jednakowo, końcowy model może zostać osłabiony przez dane niższej jakości. Health-FedNet wprowadza adaptacyjny schemat ważenia, który ocenia każdy szpital na podstawie liczby zapisów i jakości lokalnego modelu. Tym, które mają bardziej spójne i informatywne dane, przyznawany jest nieco silniejszy głos przy łączeniu aktualizacji, przy jednoczesnym zapewnieniu, że żaden pojedynczy ośrodek nie dominuje. Autorzy pokazują, że takie ważenie pomaga modelowi współdzielonemu uczyć się stabilniej, gdy częstość występowania chorób i jakość zapisów różnią się między instytucjami — co jest realistycznym scenariuszem w codziennej opiece zdrowotnej.

Jak dobrze system przewiduje i chroni

Aby przetestować praktyczność rozwiązania, zespół porównuje Health-FedNet zarówno z klasycznym modelem scentralizowanym trenującym na połączonych danych, jak i z prostszą konfiguracją federacyjną bez dodatkowych narzędzi prywatności. W symulowanej sieci szpitali Health-FedNet prognozuje choroby przewlekłe z około 92% dokładnością i wynikiem AUC równym 0,94, wyraźnie wyprzedzając alternatywy. Jednocześnie znacznie zmniejsza ryzyko, że atakujący ustali, czy konkretny rekord osoby został użyty do treningu, lub odtworzy ich dane medyczne, redukując takie wycieki mniej więcej trzykrotnie do czterokrotnie. Pomimo dodanego szyfrowania i szumu, system obniża też narzut komunikacyjny między szpitalami a serwerem centralnym dzięki starannemu pakowaniu i ważeniu aktualizacji, co czyni go bardziej praktycznym dla dużych sieci.

Co to oznacza dla przyszłej medycyny cyfrowej

Mówiąc prosto, Health-FedNet pokazuje, że nie musimy wybierać między trafnymi predykcjami medycznymi a silną ochroną prywatności. Pozwalając szpitalom uczyć się wspólnie na wzorcach w ich danych przy jednoczesnym utrzymaniu kart pacjentów lokalnie, dodając starannie skalibrowany szum i szyfrując aktualizacje od końca do końca, ramy te spełniają kluczowe wymagania regulacji takich jak HIPAA i RODO. Badanie sugeruje, że podobne rozwiązania mogłyby stać się podstawą przyszłych krajowych, a nawet międzynarodowych sieci zdrowotnych, gdzie wiele instytucji współpracuje, by prognozować choroby, wykrywać ogniska chorób i wspierać leczenie — bez konieczności przekazywania surowych danych pacjentów.

Cytowanie: 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

Słowa kluczowe: uczenie federacyjne, prywatność danych medycznych, prognozowanie chorób przewlekłych, bezpieczeństwo sztucznej inteligencji w medycynie, dzielenie się danymi szpitalnymi