安全且隐私保护的联邦神经影像分析

生物医学数据的数量持续快速增长。然而，由于安全、隐私和监管方面的担忧，从多个站点收集数据进行联合分析仍然具有挑战性。为克服这一挑战，我们使用联邦学习（Federated Learning），其能够在多个数据源上分布式训练神经网络模型而无需共享数据。每个站点在其私有数据上训练神经网络一段时间，然后将神经网络参数（即权重、梯度）与联邦控制器共享，联邦控制器进而聚合本地模型，将得到的社区模型发回每个站点，过程重复进行。我们的联邦学习架构 MetisFL 提供了强大的安全性和隐私性。首先，样本数据从不离开站点。其次，神经网络参数在传输前被加密，且全局神经模型在完全同态加密下计算。最后，我们使用信息论方法限制神经模型的信息泄露，以防止好奇站点执行模型反演或成员推断攻击。我们针对神经影像任务中安全、隐私保护的联邦学习性能进行了全面评估，包括从磁共振成像（MRI）研究预测阿尔茨海默病以及估计 BrainAGE，这些环境具有挑战性且异构，各站点拥有不同数量的数据和统计分布。