Health-FedNet: защищенное федеративное обучение для прогнозирования хронических заболеваний на MIMIC-III с дифференциальной приватностью и гомоморфным шифрованием

Почему медицинским данным нужны новые виды замков

Современные больницы обращаются к искусственному интеллекту, чтобы выявлять болезни раньше и персонализировать лечение, но у этой мощи есть обратная сторона: компьютеры лучше обучаются на огромных массивах пациентских записей, которые слишком чувствительны, чтобы просто объединять их в одном месте. В этой работе представлен Health-FedNet — новый способ, с помощью которого больницы могут обучать мощные прогнозные модели для хронических заболеваний, таких как диабет и гипертония, при этом сохраняя данные пациентов внутри каждой организации. Показано, как получить преимущества медицины больших данных, не создавая единой привлекательной цели для злоумышленников и не нарушая законы о приватности.

Как больницы могут учиться вместе, не передавая карточки

Health-FedNet опирается на подход, называемый федеративным обучением: общая модель отправляется в несколько больниц, обучается локально на данных каждой площадки, а затем возвращается в виде обновленных параметров. Вместо сбора сырых медицинских записей в центральном хранилище перемещаются только эти обновления, поэтому информация о пациентах никогда не покидает стены больницы. Центральный сервер объединяет все обновления, чтобы получить улучшенную глобальную модель, и цикл повторяется до сходимости прогнозов. В работе авторы моделируют сеть больниц на основе известной базы интенсивной терапии MIMIC-III и просят Health-FedNet прогнозировать, у кого разовьется диабет или повышенное кровяное давление.

Добавление шума и замков, чтобы скрыть отдельных пациентов

Простая передача обновлений модели недостаточна для гарантии приватности, потому что опытные атакующие иногда могут восстановить информацию об отдельных пациентах по этим обновлениям. Health-FedNet противодействует этому двумя методами. Во‑первых, каждая больница преднамеренно добавляет небольшое количество математического «шума» к своим обновлениям, чтобы влияние записи любого одного человека стало неразличимо. Эта техника, называемая дифференциальной приватностью, позволяет авторам задать жесткую числовую границу тому, насколько может быть раскрыта отдельная запись. Во‑вторых, зашумленные обновления шифруются методом, который позволяет их комбинировать в зашифрованном виде, так что центральный сервер никогда не видит их в открытом виде. Вместе эти уровни существенно уменьшают вероятность того, что посторонние — или даже сам сервер — смогут восстановить приватные детали.

Позволяя более качественным данным звучать громче

Реальные больницы отличаются друг от друга. Некоторые лечат больше пациентов, некоторые собирают более богатую информацию, а где‑то записи шумнее. Если вклады всех учреждений учитывать одинаково, итоговая модель может пострадать от данных низкого качества. Health-FedNet вводит адаптивную схему взвешивания, которая оценивает каждую больницу по числу записей и по тому, насколько хорошо работает её локальная модель. Тем, у кого более согласованные и информативные данные, дают относительно более сильный голос при объединении обновлений, при этом гарантируется, что ни одна площадка не доминирует. Авторы показывают, что такое взвешивание помогает общей модели учиться стабильнее, когда уровни заболеваний и качество записей различаются между учреждениями — что соответствует реалиям повседневной медицины.

Насколько хорошо система прогнозирует и защищает

Для проверки практичности команда сравнивает Health-FedNet как со стандартной централизованной моделью, обученной на объединенных данных, так и с более простой федеративной схемой без дополнительных средств приватности. В смоделированной сети больниц Health-FedNet прогнозирует хронические заболевания с точностью около 92% и значением площади под кривой 0,94, явно опережая альтернативы. Одновременно система резко сокращает риск того, что атакующий сможет определить, использовалась ли конкретная запись при обучении, или восстановить медицинские данные, снижая такие утечки примерно в три–четыре раза. Несмотря на добавление шифрования и шума, система также уменьшает сетевой трафик между больницами и центральным сервером благодаря аккуратному упаковыванию и взвешиванию обновлений, что делает её более практичной для больших сетей.

Что это значит для будущей цифровой медицины

Проще говоря, Health-FedNet демонстрирует, что не нужно выбирать между точными медицинскими прогнозами и надежной защитой приватности. Позволяя больницам совместно извлекать закономерности из данных, сохраняя при этом локальные медицинские карты, добавляя аккуратно откалиброванный шум и шифруя обновления сквозным способом, эта архитектура удовлетворяет ключевым требованиям таких регуляций, как HIPAA и GDPR. Исследование предлагает, что похожие решения могут стать основой будущих национальных или даже международных медицинских сетей, где многие учреждения сотрудничают для прогнозирования заболеваний, обнаружения вспышек и руководства лечением — не передавая при этом сырые пациентские записи.

Цитирование: 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

Ключевые слова: федеративное обучение, конфиденциальность медицинских данных, прогнозирование хронических заболеваний, безопасность медицинского ИИ, обмен данными между больницами