MedLedgerFL: ett hybridramverk med blockchain och federated learning för säkra fjärrvårdstjänster

Varför säkrare vård på nätet är viktigt

När videobesök och fjärrkontroller blir en del av vardagen färdas våra mest privata medicinska uppgifter nu genom nätverk och servrar. Denna förskjutning lovar snabbare diagnoser och vård som når människor långt från stora sjukhus, men den väcker också en angelägen fråga: hur kan läkare och forskare lära av patientdata utan att utsätta dem för läckor, intrång eller missbruk? Denna artikel introducerar MedLedgerFL, ett ramverk som låter sjukhus samarbeta kring kraftfulla diagnostiska verktyg för lungsjukdomar samtidigt som rå patientdata förblir säkert kvar inom varje institution.

Dagens problem med att dela hälsodata

Många telemedicinska system följer fortfarande ett äldre, centraliserat mönster: sjukhus skickar kopior av sina journaler till en enda plats där prediktiva modeller tränas. Detta kan fungera väl för noggrannhet, men skapar frestande mål för cyberattacker, väcker tvister om vem som äger data och krockar ofta med sekretessregler som GDPR i Europa eller HIPAA i USA. Nyare «federerade» metoder tillåter varje sjukhus att träna en egen kopia av en modell lokalt och dela endast inlärda mönster, inte de underliggande journalerna. Ändå kan dessa system svikta när sjukhus har mycket olika patienttyper eller skanningsutrustning, och de saknar ofta ett starkt sätt att kontrollera om de delade uppdateringarna har manipulerats.

En ny blandning av delat lärande och digitalt förtroende

MedLedgerFL kombinerar två idéer för att täppa till dessa luckor. För det första använder det federated learning så att sjukhusen behåller alla thoraxröntgenbilder och andra journaler på sina egna servrar. Varje plats tränar en modell för att känna igen tillstånd som COVID‑19, lunginflammation och tuberkulos och skickar sedan endast krypterade modelluppdateringar till en central koordinator. För det andra förlitar det sig på en permissioned blockchain, byggd med Hyperledger Fabric, för att lagra fingeravtryck av dessa uppdateringar på en manipulationssäkert huvudbok som endast godkända sjukhus kan gå med i. Smarta kontrakt verifierar automatiskt vem som får delta, loggar varje träningsrunda och säkerställer att ändringar i den delade modellen kan granskas i efterhand.

Hur systemet fungerar under huven

I MedLedgerFL hjälper en specialiserad träningsstrategi kallad FedProx till att stabilisera inlärningen när sjukhusen har ojämn och olikartad data. Istället för att enbart genomsnittsbilda uppdateringar, skjuter FedProx lokala modeller att förbli nära den globala modellen, vilket minskar kraftiga svängningar när ett sjukhus till största delen har en typ av fall, som tuberkulos, medan ett annat ser mer COVID‑19. För att hålla blockkedjan snabb och lättviktig lagras hela modellen off‑chain i ett krypterat filsystem, medan endast små hashvärden och prestandasammanfattningar skrivs till huvudboken. Experiment med verkliga thoraxröntgenuppsättningar och en MRI‑databas för hjärntumörer visar att denna design snabbar upp transaktioner, minskar lagringsbehov och ändå bevarar en tydlig, verifierbar spårning av hur modellen har utvecklats.

Att pröva metoden

Författarna utvärderade MedLedgerFL över flera djupinlärningsmodeller som ofta används för medicinska bilder, inklusive MobileNetV2, ResNet50 och Inception. Under utmanande, realistiska förhållanden—där varje sjukhus har olika blandningar av sjukdomar—uppnådde systemet högre noggrannhet och lägre fel än standard federated learning på egen hand. MobileNetV2 presterade exempelvis bäst i kombination med FedProx inom MedLedgerFL och nådde över 80 % noggrannhet vid flerdimensionell klassificering av thoraxröntgen. Säkerhetstester visade vidare att när vissa deltagande noder agerade illvilligt genom att byta etiketter eller förgifta uppdateringar, höll kombinationen av blockchain‑verifiering och FedProx noggrannheten märkbart högre än en enkel federerad metod. Blockkedjan skalade också relativt väl när fler sjukhus anslöt, och bibehöll acceptabla fördröjningar samtidigt som antalet transaktioner per sekund ökade.

Vad detta betyder för framtidens telemedicin

För patienter ligger löftet med MedLedgerFL i att deras skanningar och journaler kan bidra till att förbättra vården globalt utan att lämna säkerheten i deras hemmalagda sjukhus. För vårdgivare erbjuder det ett sätt att bygga delade diagnostiska verktyg som respekterar strikta sekretessregler, står emot datamanipulation och förblir transparenta för tillsynsmyndigheter. Genom att para ihop integritetsbevarande lärande med granskbar digitalt förtroende förflyttar ramverket telemedicin mot en värld där kraftfullt AI‑stöd både kan delas brett och skyddas omsorgsfullt. Författarna ser nästa steg som att lägga till ännu starkare integritetstekniker, mer effektiv koordinering och driftsättning i verkliga sjukhusnätverk och anslutna medicintekniska apparater.

Citering: 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

Nyckelord: telemedicin säkerhet, AI som bevarar integritet, blockkedja för vården, federated learning, diagnostik av medicinsk bildbehandling