具有差分隐私技术的多模态联邦学习在保护隐私的医疗人工智能中的应用

《Scientific Reports》：Multi-modal federated learning with differential privacy for privacy-preserving healthcare AI

　　

摘要

人工智能在医疗领域的应用日益广泛，这凸显了需要开发出能够利用异构患者数据同时满足严格隐私要求的模型。本文提出了一种基于差分隐私技术的新型多模态联邦学习框架，用于 decentralized（去中心化的）医疗人工智能应用。该框架通过使用特定于模态的编码器和共享的潜在融合网络，整合了电子健康记录和心电图（ECG）时间序列数据，实现了在不集中存储敏感数据的情况下进行全面的表示学习。差分隐私机制被嵌入到局部更新过程中，为联邦聚合中的信息泄露提供了正式的保障。在真实医疗数据集上的广泛实验表明，所提出的方法取得了94.12%的准确率、93.64%的精确度、93.21%的召回率、93.42%的F1分数以及95.03%的AUC值，这些性能均优于集中式的、单模态的和非隐私保护的基准方法。此外，该框架的收敛速度比单模态联邦学习快32.4%，仅需35轮迭代即可达到90%的准确率。消融研究证实了多模态融合和类别平衡的重要性；而客户端方差分析显示，在数据分布不均匀的情况下，性能偏差最低（±1.2%）。这些结果表明，结合联邦优化、差分隐私和多模态学习能够构建一个有效的隐私保护临床人工智能框架，具有在分布式医疗环境中应用的潜力。