面向去中心化医疗诊断的隐私保护持续分割学习框架PRCSL:一种融合差分隐私与互信息对齐的新方法

《Machine Learning with Applications》:PRCSL: A privacy-preserving continual split learning framework for decentralized medical diagnosis

【字体: 大 中 小 】 时间:2025年12月31日 来源:Machine Learning with Applications 4.9

编辑推荐:

  为解决分布式医疗环境中数据孤岛、隐私约束及临床数据持续演化导致的灾难性遗忘问题,研究人员开展了隐私保护排练式持续分割学习(PRCSL)框架研究。该研究通过差分隐私范例共享、互信息对齐模块(MIA)及无参数最近范例均值分类器(NME),在八个基准数据集上实现最高3.62%的平均准确度提升,为物联网医疗系统提供隐私保护、通信高效且持续自适应的AI诊断方案。

  
随着人工智能技术在医疗领域的深入应用,基于深度学习的医疗AI系统在疾病诊断中展现出巨大潜力。然而,现实医疗环境中的数据往往分散在不同医院和物联网设备中,形成数据孤岛,且因严格的隐私安全法规无法自由共享。更棘手的是,临床环境持续变化,新疾病、病毒变异等增量特征不断出现,导致传统AI模型面临灾难性遗忘的挑战——即模型在学习新知识时严重遗忘旧知识。现有持续学习方法多假设数据可集中获取,而分布式学习方法又忽视增量学习特性,难以在真实医疗场景中直接部署。
为解决这一矛盾,来自国民大学计算机科学系的研究团队在《Machine Learning with Applications》发表研究,提出了一种专为医疗场景设计的隐私保护持续分割学习框架PRCSL。该框架创新性地将持续学习与分割学习相结合,通过差分隐私技术保护患者隐私,使医疗客户端能在不共享原始数据的前提下协同训练诊断模型,同时适应临床环境的持续变化。
研究团队采用的核心技术方法包括:分割学习架构实现客户端-服务器协同训练而不暴露原始数据;基于拉普拉斯机制的差分隐私技术构建隐私保护范例;互信息对齐模块校正噪声范例引起的表征偏移;无参数最近范例均值分类器缓解非独立同分布数据下的任务新近偏差。实验覆盖MedMNIST四个子集、HAM10000、CCH5000、CIFAR-100和SVHN八个基准数据集,采用平均准确度和平均遗忘度作为评估指标。
模型架构与工作流程
PRCSL采用客户端-服务器-聚合器三方架构。客户端持有本地数据并运行部分模型,服务器托管主要模型和分类器,聚合器负责维护差分隐私范例集。训练过程分为两个阶段:分割学习阶段客户端使用当前任务数据训练,聚合器使用隐私范例进行排练学习;持续学习阶段通过互信息对齐校正表征分布差异,并使用NME分类器进行原型距离分类。
性能验证与对比分析
在集中式持续学习场景下,排练类方法显著优于正则化方法,iCaRL在医疗影像数据上表现最佳。而在去中心化场景中,传统方法因隐私约束性能大幅下降。PRCSL在CIFAR-100上比iCaRL提升7.38%,在BloodMNIST、OrganAMNIST和PathMNIST上分别提升3.62%、3.18%和3.03%,在组织相似度高的TissueMNIST和HAM10000上也实现2.31%和2.21%的增益。
消融实验验证组件有效性
移除NME分类器会导致准确度显著下降,如CIFAR-100降低9.1%,SVHN降低39.75%,证实其缓解任务新近偏差的关键作用。移除互信息对齐模块在PathMNIST上造成9.45%性能损失,表明其对校正DP噪声引起的分布偏移至关重要。
隐私预算与性能平衡分析
隐私预算ε从1增加到10时,CIFAR-100准确度从13.03%升至22.10%,SVHN从47.75%升至71.84%,医疗数据集也呈现类似趋势,证实隐私保护强度与模型性能间的权衡关系,为实际部署提供参数选择依据。
该研究的创新在于首次在去中心化医疗场景中实现隐私保护与持续学习的有效融合。通过差分隐私范例共享策略,在保证数据隐私的前提下维持排练学习效果;互信息对齐技术有效克服DP噪声引入的分布偏移;NME分类器则从根本上解决神经网络分类头在增量学习中的偏差问题。这些设计使PRCSL能够适应真实医疗环境中数据孤岛、非独立同分布和持续演化等多重挑战。
研究团队进一步通过实时案例研究验证框架的临床可行性。在配备NVIDIA Jetson边缘设备的10客户端环境中,端到端推理延迟仅20-35毫秒,满足临床实时诊断需求。周期性模型更新通过差分隐私范例传递实现,确保各医疗机构在遵守隐私法规前提下贡献知识。
尽管当前研究聚焦类别增量学习场景,作者指出未来将扩展至多模态医疗数据、真实多中心临床队列验证,以及更强隐私攻击模型防护。PRCSL框架为构建合规、自适应、分布式医疗AI系统提供了技术基础,有望推动人工智能在真实世界医疗环境中的规模化应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号