MedLedgerFL: гибридная система блокчейн — федеративного обучения для безопасных удалённых медицинских услуг

Почему безопасная онлайн‑медицина важна

По мере того как видеоконсультации и удалённые осмотры становятся частью повседневной практики, наши самые интимные медицинские данные теперь перемещаются по сетям и серверам. Этот сдвиг обещает более быстрые диагнозы и помощь людям, находящимся далеко от крупных больниц, но одновременно порождает важный вопрос: как врачам и исследователям извлекать пользу из данных пациентов, не подвергая их утечкам, взломам или злоупотреблениям? В этой статье представлена MedLedgerFL — платформа, разработанная, чтобы позволить больницам совместно создавать мощные диагностические инструменты для заболеваний лёгких, при этом сохраняя исходные данные пациентов надёжно внутри каждой организации.

Современная проблема обмена медицинскими данными

Многие системы телемедицины всё ещё следуют старой централизованной модели: больницы пересылают копии своих медицинских карт в одно место, где обучаются предиктивные модели. Такой подход может давать высокую точность, но создаёт привлекательные цели для кибератак, вызывает споры о праве собственности на данные и часто конфликтует с правилами приватности, такими как GDPR в Европе или HIPAA в США. Новые «федеративные» подходы позволяют каждой больнице обучать собственную копию модели локально и обмениваться только выученными параметрами, а не исходными записями. Тем не менее такие системы могут давать сбои, когда у больниц сильно различается состав пациентов или оборудование, и обычно им не хватает надёжного механизма проверки того, не были ли внесены фальсификации в передаваемые обновления.

Новое сочетание совместного обучения и цифрового доверия

MedLedgerFL объединяет две идеи, чтобы заполнить эти пробелы. Во‑первых, она использует федеративное обучение, чтобы больницы хранили все рентген‑снимки грудной клетки и другие записи на своих собственных серверах. Каждое учреждение обучает модель для распознавания состояний, таких как COVID‑19, пневмония и туберкулёз, и отправляет только зашифрованные обновления модели центральному координатору. Во‑вторых, система опирается на разрешённый (permissioned) блокчейн, построенный на Hyperledger Fabric, чтобы фиксировать отпечатки этих обновлений в неизменяемом реестре, к которому могут присоединяться только утверждённые больницы. Смарт‑контракты автоматически проверяют право участия, логируют каждый раунд обучения и обеспечивают возможность последующего аудита изменений общей модели.

Как система работает «под капотом»

Внутри MedLedgerFL специализированная стратегия обучения FedProx помогает стабилизировать процесс, когда у больниц неоднородные и несбалансированные данные. Вместо простого усреднения обновлений FedProx «подталкивает» локальные модели оставаться ближе к глобальной модели, что уменьшает резкие отклонения, когда одна больница в основном видит случаи туберкулёза, а другая — больше случаев COVID‑19. Чтобы поддерживать блокчейн быстрым и лёгким, полная модель хранится вне цепочки (off‑chain) в зашифрованной файловой системе, а в реестр записываются лишь небольшие хэши и сводные показатели производительности. Эксперименты с реальными коллекциями рентгенов грудной клетки и набором МРТ с опухолями мозга показали, что такая архитектура ускоряет транзакции, снижает требования к хранению и при этом сохраняет прозрачную, проверяемую историю эволюции модели.

Полевое испытание подхода

Авторы оценивали MedLedgerFL на нескольких глубоких моделях, часто применяемых к медицинским изображениям, включая MobileNetV2, ResNet50 и Inception. В сложных, реалистичных условиях — когда у каждой больницы разные сочетания заболеваний — система показала более высокую точность и меньшую ошибку по сравнению с обычным федеративным обучением. Так, MobileNetV2 продемонстрировал наилучшие результаты в паре с FedProx внутри MedLedgerFL, достигнув более 80% точности при мульти‑классовой классификации рентгенов грудной клетки. Тесты безопасности также показали, что при участии вредоносных сайтов, которые меняли метки или «отравляли» обновления, сочетание верификации блокчейна и FedProx сохраняло точность заметно выше по сравнению с базовым федеративным подходом. Блокчейн также масштабировался достаточно хорошо по мере присоединения большего числа больниц, поддерживая приемлемые задержки и увеличивая количество транзакций в секунду.

Что это значит для будущей телемедицины

Для пациентов перспектива MedLedgerFL заключается в том, что их снимки и записи смогут улучшать помощь во всём мире, не покидая защищённости их родной больницы. Для медицинских учреждений это путь к созданию общих диагностических инструментов, которые соблюдают строгие правила конфиденциальности, устойчивы к фальсификациям данных и прозрачны для регуляторов. Сочетая обучение с сохранением приватности и проверяемое цифровое доверие, эта платформа приближает телемедицину к миру, где мощная поддержка ИИ может быть одновременно широко доступной и надёжно защищённой. Авторы видят следующие шаги в добавлении ещё более сильных методов защиты приватности, повышении эффективности координации и внедрении в реальных больничных сетях и подключённых медицинских устройствах.

Цитирование: Murala, D.K., Vemulapalli, L., Balagoni, Y. et al. MedLedgerFL: a hybrid blockchain-federated learning framework for secure remote healthcare services. Sci Rep 16, 8218 (2026). https://doi.org/10.1038/s41598-026-39149-4

Ключевые слова: безопасность телемедицины, сохранение конфиденциальности в ИИ, блокчейн в здравоохранении, федеративное обучение, диагностика медицинских изображений