医疗保健中联邦学习与区块链的集成：教程
密码学与安全
2024-04-17 v1
摘要
可穿戴设备和医疗传感器彻底改变了健康监测，引发了人们对医疗保健机器学习中数据隐私的担忧。本教程探讨了联邦学习（FL）与区块链（BC）的集成，为医疗保健分析提供了一种安全且保护隐私的方法。FL 支持在医疗机构本地设备上进行去中心化模型训练，使患者数据保留在本地。这促进了协作模型开发而不损害隐私。然而，FL 也引入了漏洞。BC 凭借其防篡改账本和智能合约，为 FL 中的安全协作学习提供了稳健的框架。在介绍了医疗应用机器学习中使用的各类数据的分类法，并简要回顾了医疗保健用例的机器学习技术之后，本教程探讨了三种集成架构，以平衡医疗保健数据的去中心化、可扩展性和可靠性。此外，它研究了 BCFL 如何增强疾病预测、医学图像分析、患者监测和药物发现中的数据安全与协作。通过提供关于 FL、区块链及其集成的教程，以及对 BCFL 应用的回顾，本文为希望利用这些技术实现安全且保护隐私的医疗保健机器学习的研究人员和从业者提供了宝贵资源。它旨在加速安全协作医疗保健分析的发展，最终改善患者预后。
引用
@article{arxiv.2404.10092,
title = {Integration of Federated Learning and Blockchain in Healthcare: A Tutorial},
author = {Yahya Shahsavari and Oussama A. Dambri and Yaser Baseri and Abdelhakim Senhaji Hafid and Dimitrios Makrakis},
journal= {arXiv preprint arXiv:2404.10092},
year = {2024}
}