Объяснимое и защищённое федеративное обучение для приватного классифицирования рака кожи с использованием лёгкой многошкальной CNN

Почему важны более умные проверки на рак кожи

Рак кожи — самый распространённый вид рака в мире, и ранняя диагностика может спасти жизни. Тем не менее точная постановка диагноза по‑прежнему во многом зависит от специалистов, которые тщательно изучают изображения родинок и пятен на коже. Во многих клиниках таких экспертов нет, а передача больших коллекций изображений пациентов для обучения компьютерных инструментов вызывает серьёзные проблемы с конфиденциальностью. В этом исследовании предложен новый способ, позволяющий больницам совместно обучать мощную систему обнаружения рака кожи, не передавая никогда исходные изображения пациентов, и при этом предоставляющий врачам понятные визуальные объяснения того, что видит система.

Сотрудничество без обмена секретами

Ключевая идея — метод обучения, называемый федеративным обучением. Вместо отправки изображений кожи на центральный сервер каждая больница хранит снимки локально и обучает собственную копию той же модели. Передаются лишь накопленные «навыки» (обновления модели) на центральный сервер, где они объединяются в общую улучшенную модель и затем возвращаются всем участникам. В работе авторы смоделировали сотрудничество нескольких клиник на крупном публичном наборе данных о поражениях кожи, чтобы модель извлекла пользу из разнообразных случаев, в то время как изображения пациентов так и остаются в их родных учреждениях.

Лёгкий, но внимательный анализатор изображений

Чтобы сделать такое сотрудничество практичным, команда разработала новую лёгкую многошкальную сверточную нейронную сеть (LWMS‑CNN). Многие популярные модели изображений огромны и медленно передаются по больничным сетям; напротив, эта модель использует менее одного миллиона обучаемых параметров — долю от того, что требуется известным архитектурам. Её структура обрабатывает каждое изображение кожи на нескольких уровнях детализации параллельно — от тонких краёв и текстур до более широких паттернов — а затем объединяет эти сигналы. Такая компактная конструкция показала и точность, и эффективность, превосходя или сопоставляясь с более тяжёлыми моделями вроде ResNet и DenseNet по стандартным метрикам (точность, precision и F1‑score), при этом будучи значительно меньше и быстрее — важно для использования на скромных серверных мощностях клиник или даже на edge‑устройствах.

Защита приватности с помощью шифрования

Хотя федеративное обучение избегает отправки исходных изображений, передаваемые обновления модели всё ещё могут раскрывать информацию при продвинутых атаках. Чтобы закрыть эту брешь, авторы обернули весь обмен гомоморфным шифрованием — криптографическим приёмом, который позволяет серверу складывать и усреднять обновления модели, пока они остаются зашифрованными. Больницы шифруют свои изменения модели перед отправкой; сервер видит только зашифрованные данные, но по‑прежнему может вычислить объединённое обновление. Расшифровать агрегированный результат может лишь доверенная сторона. Тесты показали, что добавление этой защиты едва сказалось на производительности: точность упала всего примерно на 0,3 процентных пункта (с 98.62% до 98.34%) — невысокая цена за существенное усиление приватности и соответствие строгим медицинским регуляциям по данным.

Открывая «чёрный ящик» для клиницистов

Высокая точность сама по себе недостаточна в медицине; клиницисты должны понимать, почему алгоритм принял то или иное решение. Поэтому в исследовании поверх обученной модели добавлены инструменты объяснимого ИИ. Один из них, SHAP, выделяет участки изображения, которые сильнее всего повлияли на решение, рассматривая каждый участок пикселей как «игрока» в голосовании. Другой, Grad‑CAM, накладывает тепловую карту на поражение, показывая, где сеть сосредоточила внимание при, например, отнесении пятна к злокачественным или доброкачественным. В совокупности эти представления позволяют дерматологам убедиться, что модель смотрит на осмысленные структуры — например, неправильные границы или изменения цвета — а не на волосы, артефакты освещения или фон кожи, и внимательно изучать сомнительные или ошибочные случаи.

От лабораторных испытаний к клиникам

Зашифрованная федеративная система LWMS‑CNN была обучена и оценена на наборе данных поражений кожи HAM10000, а затем протестирована на двух дополнительных коллекциях — ISIC 2019 и PAD‑UFES‑20, которые отличаются камерами, типами поражений и популяциями пациентов. Система показала высокие показатели по всем трём наборам, что свидетельствует о хорошей обобщаемости подхода за пределы одного источника данных. Авторы также изучали более сложные, реалистичные сценарии, в которых разные «больницы» видят разные наборы случаев, и сравнивали несколько способов объединения обновлений моделей; стандартный метод FedAvg показал лучшие результаты. Хотя эксперименты проводились в смоделированной среде с несколькими клиентами, а не на физически разведённых больницах, результаты демонстрируют, что компактная модель, приватное обучение и понятные визуальные объяснения можно объединить в единую систему. Для пациентов это наводит на перспективу будущих проверок на рак кожи, которые будут точнее, более доступными и более уважительными к приватности, при этом оставляя врачей в центре принятия решений.

Цитирование: Sayeed, A.S.M., Birahim, S.A., Ullah, M.S. et al. Explainable and secure federated learning for privacy-enhancing skin cancer classification using a lightweight multi-scale CNN. Sci Rep 16, 11414 (2026). https://doi.org/10.1038/s41598-026-41360-2

Ключевые слова: обнаружение рака кожи, федеративное обучение, конфиденциальность медицинских данных, объяснимый ИИ, гомоморфное шифрование