面向隐私保护的医学影像：基于修改ResNet架构的联邦学习与差分隐私与安全聚合
机器学习
2024-12-03 v1 密码学与安全
摘要
随着对医疗保健隐私的日益关注，尤其是针对敏感医疗数据的关注，本研究引入一种联邦学习框架，将局部差分隐私与安全聚合相结合，使用Secure Multi-Party Computation用于医学图像分类。进一步，我们提出DPResNet，这是一种为差分隐私优化的修改ResNet架构。利用BloodMNIST基准数据集，我们模拟了在不同医院之间进行真实数据共享的情景，解决联邦医疗数据所特有的隐私挑战。实验结果表明，我们的隐私保护联邦模型在准确率上接近非私有模型，超越传统方法，同时保持严格的数据保密。通过提升医疗数据管理的隐私性、效率和可靠性，我们的方法为患者、医疗保健提供者以及更广泛的医疗生态系统带来了实质性的益处。
引用
@article{arxiv.2412.00687,
title = {Towards Privacy-Preserving Medical Imaging: Federated Learning with Differential Privacy and Secure Aggregation Using a Modified ResNet Architecture},
author = {Mohamad Haj Fares and Ahmed Mohamed Saad Emam Saad},
journal= {arXiv preprint arXiv:2412.00687},
year = {2024}
}
备注
38th Conference on Neural Information Processing Systems (NeurIPS 2024) - MusIML Workshop