MedLedgerFL: güvenli uzaktan sağlık hizmetleri için hibrit blokzinciri-federe öğrenme çerçevesi

Çevrimiçi tıbbın daha güvenli olmasının önemi

Görüntülü görüşmeler ve uzaktan kontroller günlük yaşamın bir parçası haline geldikçe, en mahrem tıbbi bilgilerimiz artık ağlar ve sunucular üzerinden yol alıyor. Bu değişim daha hızlı tanılar ve büyük hastanelerden uzak kişilere ulaşan bakım vaat ediyor, ancak aynı zamanda önemli bir soruyu da gündeme getiriyor: doktorlar ve araştırmacılar hasta verilerinden sızma, korsanlık veya kötüye kullanım riski olmadan nasıl öğrenebilir? Bu makale, ham hasta verilerini her kurumda güvenle tutarken hastanelerin akciğer hastalıklarına yönelik güçlü tanı araçları geliştirmek için birlikte çalışmasına olanak tanıyan MedLedgerFL adlı bir çerçeveyi tanıtıyor.

Sağlık verilerini paylaşmadaki güncel sorun

Birçok tele-tıp sistemi hâlâ daha eski, merkezi bir modeli takip ediyor: hastaneler hasta kayıtlarının kopyalarını tek bir yere gönderiyor ve burada öngörücü bilgisayar modelleri eğitiliyor. Bu yaklaşım doğruluk açısından iyi sonuç verebilir, ancak siber saldırılar için cazip hedefler yaratıyor, veri sahipliği konusunda anlaşmazlıklara yol açıyor ve çoğunlukla Avrupa’daki GDPR veya ABD’deki HIPAA gibi gizlilik kurallarıyla çelişebiliyor. Daha yeni “federe” yaklaşımlar her hastanenin modelin kendi kopyasını yerel olarak eğitmesine ve yalnızca öğrenilen desenleri—altta yatan kayıtları değil—paylaşmasına izin veriyor. Ancak bu sistemler, hastanelerin çok farklı hasta tiplerine veya tarama ekipmanlarına sahip olduğu durumlarda zayıf kalabiliyor ve paylaşılan güncellemelerin değiştirilip değiştirilmediğini güçlü şekilde doğrulayacak yöntemlerden genellikle yoksun oluyor.

Paylaşılan öğrenme ve dijital güvenin yeni bir bileşimi

MedLedgerFL, bu boşlukları kapatmak için iki fikri birleştiriyor. Birincisi, federe öğrenmeyi kullanarak hastanelerin tüm göğüs röntgeni görüntülerini ve diğer kayıtları kendi sunucularında tutmasını sağlıyor. Her site COVID‑19, pnömoni ve tüberküloz gibi durumları tanımaya yönelik bir model eğitiyor, ardından yalnızca şifrelenmiş model güncellemelerini merkezi bir koordinatöre gönderiyor. İkincisi, Hyperledger Fabric üzerine kurulu izinli bir blokzincire dayanarak bu güncellemelerin parmak izlerini yalnızca onaylı hastanelerin katılabildiği değiştirilemez bir deftere kaydediyor. Akıllı sözleşmeler kimlerin katılmaya yetkili olduğunu otomatik olarak doğruluyor, her eğitim turunu kaydediyor ve paylaşılan modeldeki değişikliklerin daha sonra denetlenebilmesini sağlıyor.

Sistemin çalışma biçimi (detaylarda)

MedLedgerFL içinde FedProx adlı özelleşmiş bir eğitim stratejisi, hastaneler dengesiz ve farklı veri tuttuğunda öğrenmeyi istikrara kavuurmaya yardımcı oluyor. Güncellemeleri basitçe ortalamak yerine, FedProx yerel modelleri küresel modele yakın tutmaya zorlayarak, örneğin bir hastanede çoğunlukla tüberküloz vakaları varken diğerinde daha fazla COVID‑19 görüldüğünde yaşanan ani dalgalanmaları azaltıyor. Blokzinciri hızlı ve hafif tutmak için, tüm model zincir dışı şifrelenmiş bir dosya sisteminde saklanırken yalnızca küçük özetler (hash’ler) ve performans özetleri deftere yazılıyor. Gerçek göğüs röntgeni koleksiyonları ve beyin tümörü MR görüntüleriyle yapılan deneyler, bu tasarımın işlemleri hızlandırdığını, depolama ihtiyaçlarını azalttığını ve modelin nasıl evrildiğine dair net ve doğrulanabilir bir iz bıraktığını gösteriyor.

Yaklaşımın teste tabi tutulması

Yazarlar MedLedgerFL’yi MobileNetV2, ResNet50 ve Inception dahil olmak üzere tıbbi görüntülerde yaygın kullanılan birkaç derin öğrenme modeli ile değerlendirdiler. Her hastanenin farklı hastalık karışımlarına sahip olduğu zorlu, gerçekçi koşullar altında sistem, yalnızca standart federe öğrenmeye kıyasla daha yüksek doğruluk ve daha düşük hata elde etti. Örneğin MobileNetV2, MedLedgerFL içinde FedProx ile eşleştirildiğinde çok hastalıklı göğüs röntgeni sınıflandırmasında %80’in üzerinde doğruluk gösterdi. Güvenlik testleri ayrıca bazı katılımcı siteler etiketleri değiştirerek veya güncellemeleri zehirleyerek kötü niyetli davransalar bile, blokzinciri doğrulaması ve FedProx birleşiminin doğruluğu temel bir federe yaklaşıma göre belirgin şekilde daha yüksek tuttuğunu gösterdi. Blokzincir ayrıca daha fazla hastane katıldıkça makul ölçüde ölçeklendi; saniye başına işleyebildiği işlem sayısını artırırken kabul edilebilir gecikmeleri korudu.

Geleceğin tele-tıbbı için anlamı

Hastalar için MedLedgerFL’nin vaadi, taramaların ve kayıtların kendi hastanelerinin güvenliği dışına çıkmadan küresel olarak bakımın iyileştirilmesine katkıda bulunabilmesi. Sağlık hizmeti sağlayıcıları içinse katı gizlilik kurallarına saygı duyan, veri sahteciliğine dirençli ve düzenleyicilere karşı şeffaf paylaşılan tanı araçları oluşturmanın bir yolunu sunuyor. Gizliliği koruyan öğrenmeyi denetlenebilir dijital güvenle eşleştirerek bu çerçeve, güçlü yapay zekâ desteğinin hem yaygın şekilde paylaşılabileceği hem de dikkatle korunabileceği bir tele-tıp vizyonuna yaklaştırıyor. Yazarlar, daha güçlü gizlilik teknikleri, daha verimli koordinasyon ve gerçek hastane ağları ile bağlı tıbbi cihazlarda dağıtım eklemeyi sonraki adımlar olarak öngörüyor.

Atıf: 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

Anahtar kelimeler: telemedicine security, privacy-preserving AI, healthcare blockchain, federated learning, medical imaging diagnostics