Стохастическая схема конфиденциальности с встраиванием Пуассона для федеративного обучения с гомоморфным шифрованием в медицинском ИИ

Сохранение медицинских тайн при обучении машин

Больницы накапливают огромное количество рентгеновских снимков, которые могли бы помочь врачам выявлять болезни, например COVID‑19, раньше и точнее. Но эти изображения глубоко личные, и строгие правила конфиденциальности мешают объединять данные в одном месте для обучения мощных инструментов искусственного интеллекта. В этом исследовании показан способ, позволяющий больницам совместно работать над системой диагностики по рентгену, не передавая свои исходные снимки никому, — цель в том, чтобы защитить данные пациентов и при этом сохранить высокий уровень точности.

Почему обмен медицинскими данными так сложен

Современный ИИ питается большими и разнообразными наборами данных, но больницы обычно хранят снимки локально и неохотно — а иногда и юридически не могут — отправлять их на центральный сервер. Традиционный подход, при котором все данные копируются в одну большую базу, подвергает их утечкам и кибератакам, подрывая доверие и нарушая регулирование. Даже более новые методы, где больницы совместно обучают общую модель в схеме, называемой «федеративное обучение», не являются полностью безопасными: опытные злоумышленники иногда могут восстанавливать пациентские изображения по обновлениям модели. Кроме того, медицинские данные часто неравномерны и шумны: у некоторых больниц гораздо больше случаев определённого заболевания, чем у других, что может дестабилизировать обучение и снизить надёжность.

Кооперативная сеть, которая никогда не передаёт исходные рентген‑снимки

Авторы разрабатывают архитектуру федеративного обучения, ориентированную на мощную модель распознавания изображений ResNet‑50, чтобы отличать COVID‑19 от нормальных снимков грудной клетки. Каждая больница обучает свою копию модели на локальных изображениях, держая все рентген‑снимки на месте. Вместо пересылки картинок больницы отправляют только числовые обновления, описывающие, как должна измениться их локальная модель. Центральный сервер усредняет эти обновления, формируя улучшенную глобальную модель, а затем рассылает её обратно всем участникам. Повторение этого цикла позволяет общей модели извлечь выгоду из совместного опыта всех участников, не раскрывая отдельные сканы.

Цифровой «шум» и запираемые коробочки для дополнительной конфиденциальности

Чтобы помешать злоумышленникам восстановить изображения пациентов по обновлениям модели, платформа накладывает два уровня защиты поверх федеративного обучения. Во‑первых, каждая больница добавляет к своим обновлениям модели тщательно откалиброванный случайный шум — как статический шум на радио, который затрудняет выделение отдельных голосов, но позволяет уловить общий сигнал. Во‑вторых, перед отправкой по сети обновления шифруются методом, который позволяет серверу складывать их, пока они остаются запертыми — похоже на суммирование значений в запечатанных конвертах. Только доверенное лицо с ключом может расшифровать объединённый результат, а центральный сервер никогда не видит отдельные обновления в открытом виде. В сумме эти меры затрудняют обратный инженеринг данных пациентов, сохраняя при этом полезность общей модели.

Проверка системы в деле

Команда оценивает свою схему на сбалансированном наборе рентген‑снимков грудной клетки с COVID‑19 и без него, моделируя несколько больниц как отдельные площадки обучения. Они сравнивают три конфигурации: классическое централизованное обучение с объединёнными данными, стандартное федеративное обучение без дополнительных защит и их подход с повышенной приватностью. Несмотря на добавленный шум и шифрование, защищённая система достигает впечатляюще высоких показателей — около 99,6% точности, с сопоставимо высокими значениями точности, полноты и F1 — превосходя или сравниваясь с объединённой и незащищённой федеративной версиями. Оценки числа коммуникационных раундов, значения функции потерь и времени вычислений показывают, что точность стабильно растёт по мере сотрудничества площадок, а дополнительная временная нагрузка от шифрования остаётся умеренной. Аспектные эксперименты, в которых части системы поочерёдно отключают, подтверждают, что выбранные уровни шума и стратегия шифрования сжатия обеспечивают сильную приватность при незначительных потерях в производительности.

Что это значит для будущей медицины

Для неспециалистов ключевая мысль в том, что работа демонстрирует практический рецепт обучения ИИ на рентген‑снимках множества больниц без раскрытия исходных изображений и без ослабления законов о конфиденциальности. Комбинируя высокоэффективную модель распознавания с цифровым «шумом» и зашифрованной агрегацией, схема показывает, что больницы могут совместно создавать точные диагностические инструменты, сохраняя медицинские записи на месте и вне досягаемости посторонних. Хотя метод протестирован на относительно небольшом наборе данных и сосредоточен на рентгенах COVID‑19, те же идеи можно распространить на другие заболевания, типы визуализации и даже другие чувствительные области, например финансы. Короче говоря, исследование указывает на будущее, где мощный ИИ и строгая медицинская приватность усиливают друг друга, а не противоречат.

Цитирование: Gomathi, R., Saranya, K., Mahaboob John, Y.M. et al. Stochastic Poisson-embedded privacy framework for federated learning with secure homomorphic encryption in medical AI. Sci Rep 16, 10931 (2026). https://doi.org/10.1038/s41598-026-41469-4

Ключевые слова: федеративное обучение, медицинская визуализация, конфиденциальность данных, гомоморфное шифрование, диагностика рентгеном