面向全球多中心医疗研究的面向隐私与安全的联邦学习基础设施构建
密码学与安全
2026-03-12 v1 软件工程
摘要
跨机构的协作式医疗研究日益需要多样化的临床数据集，但跨境数据共享受隐私法规的严格约束。联邦学习（FL）能够在数据保留本地的前提下进行模型训练；然而，许多现有框架仍停留在概念验证阶段，未充分解决治理风险问题，如未授权参与、滥用以及缺乏问责制。特别是，针对身份验证、授权和记账（AAA）的可执行机制常常缺失，限制了实际的临床应用。本文提出FLA（Federated Learning with Authentication, Authorisation, and Accounting），一个面向治理的联邦学习平台，通过运行时策略强制实现监管义务。FLA集成了符合XACML标准的属性基访问控制（ABAC）、加密记账机制以及研究范围内的联邦，直接集成到联邦学习编排层，以实施机构主权和协议遵从性。我们通过两个互补的研究对FLA进行评估：第一，我们在英国、荷兰、印度和 Gambia 四国五个BloodCounts!联盟机构部署平台基础设施，证明其操作可行性。第二，我们使用模拟数据评估临床实用性，该数据来自25个中心、35,315名受试者、54,446个完整血细胞（FBC）样本的联邦学习。结果表明，FLA在严格执行治理约束的前提下，实现了与集中式训练相当的预测性能。这一结果表明，可执行的治理机制可作为一级隐私保留控制，提高了跨司法管辖区医疗部署中人工智能系统可信度。
引用
@article{arxiv.2603.10063,
title = {Building Privacy-and-Security-Focused Federated Learning Infrastructure for Global Multi-Centre Healthcare Research},
author = {Fan Zhang and Daniel Kreuter and Javier Fernandez-Marques and BloodCounts Consortium and Gregory Verghese and Bernard Butler and Nicholas Lane and Suthesh Sivapalaratnam and Joseph Taylor and Norbert C. J. de Wit and Nicholas S. Gleadall and Carola-Bibiane Schönlieb and Michael Roberts},
journal= {arXiv preprint arXiv:2603.10063},
year = {2026}
}