基于许可区块链与联邦学习的医疗事故根因分析系统MIRR-FL

《Computers》:Federated Blockchain Learning to Support Root-Cause Analysis of Medical Incidents

【字体: 大 中 小 】 时间:2026年10月21日 来源:Computers 5.2

编辑推荐:

   摘要

  

摘要

事故报告有助于医疗卫生机构从患者伤害中吸取教训,但相关数据往往局限于各自机构内部,且其成因分析速度慢、依赖人工。我们提出了一种联盟系统MIRR-FL,该系统利用许可区块链上的智能合约来管理每个事故的生命周期,同时由链上治理的联邦分类器提出主要致因候选项,供管理员验证,从而辅助而非自动化地支持根因分析。TLA+模型检测发现了一个已修复的缺陷,该缺陷可能导致事故长期处于停滞状态。单个事故的六次状态转换消耗368,293 gas;在单主机多验证者的Hyperledger Besu测试平台上,一个验证者和四个验证者分别提交了每秒最高120.1次提交,该上限由区块gas限制决定。在具有已知贝叶斯最优准确率的合成多机构数据上,在高度异质性条件下,普通联邦平均(70.6%)未能超越本地模型(74.3%)的表现,而个性化联邦学习达到了75.5%,与最优值仅差1.0个百分点。在十家机构之间,三倍标准差异常值规则永远无法拒绝任何更新;Multi-Krum在面对最多两家恶意机构发起的五种投毒攻击时,始终保持至少70.0%的平均准确率。诚实但好奇的聚合器能够从单次梯度中完全重构记录,但从MIRR-FL的整个epoch更新中最多只能重构0.22%的信息;而每机构名义上为4.0–8.1的差分隐私并未造成可测量的精度损失。代码与结果已公开发布。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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