基于MCP的联合多模态医疗数据融合：面向联邦数字健康系统
密码学与安全
2025-10-03 v1 人工智能
计算机与社会
机器学习
摘要
医疗数据的安全和互操作集成仍是数字健康中的巨大挑战。当前的联邦学习（FL）框架提供了隐私保护的模型训练，但缺乏标准化机制来协调分布式和资源受限环境中的多模态数据融合。本研究引入新框架，利用模型上下文协议（MCP）作为联合多模态联邦医疗系统中跨代理通信的互操作层。该架构统一了三个支柱：（i）临床影像、电子病历和可穿戴物联网数据的多模态特征对齐；（ii）采用差分隐私保护患者敏感更新的安全聚合；（iii）能感知调度以减轻移动客户端的 dropout。通过采用MCP作为模式驱动的接口，框架实现了AI代理和工具链的自适应编排，同时确保符合隐私法规。实验评估在基准数据集和临床队列中表明，与基线FL相比，诊断准确率提高了9.8%，客户端 dropout率降低了54%，且在隐私-效用之间实现了临床可接受的权衡。这些结果凸显了MCP-enabled多模态融合作为面向下一代公平联邦健康基础设施的可扩展可信路径。
引用
@article{arxiv.2510.01780,
title = {Secure Multi-Modal Data Fusion in Federated Digital Health Systems via MCP},
author = {Aueaphum Aueawatthanaphisut},
journal= {arXiv preprint arXiv:2510.01780},
year = {2025}
}
备注
6 pages, 8 figures, 7 equations, 1 algorithm