MedShieldFL：面向智能醫療系統的隱私保護混合聯邦學習框架——實現安全去中心化腦腫瘤分類

《Scientific Reports》：MedShieldFL-a privacy-preserving hybrid federated learning framework for intelligent healthcare systems

【字體： 大 中 小 】 時間：2025年12月05日 來源：Scientific Reports 3.9

　　

在人工智能技術迅猛發展的今天，醫療領域正迎來一場技術革命。特別是腦腫瘤的計算機輔助診斷，其準確性因深度學習技術的應用而大幅提升。然而，數據隱私保護、類別不平衡以及醫療數據集多樣性等挑戰，嚴重限制了集中式深度學習模型在醫療領域的實際應用。醫療數據的敏感性使得它們受到HIPAA和GDPR等法律法規的嚴格保護，導致大型標注醫療數據集被分散存儲在各個醫療機構中，形成了"數據孤島"現象。

這種數據隔離不僅阻礙了研究人員開發具有強泛化能力的模型，還使得小規模醫療機構因數據量不足而難以訓練高質量診斷模型。傳統聯邦學習(FL)雖允許機構協作訓練模型而無需共享原始數據，但仍面臨隱私泄露風險、數據不平衡及模型收斂緩慢等問題。特別是在工業物聯網(IIoT)賦能的智能醫療場景中，醫療數據在分布式邊緣-云系統中實時生成、傳輸和分析，對隱私保護和系統安全性提出了更高要求。

針對這些挑戰，Dileep Kumar Murala等研究人員在《Scientific Reports》上發表了題為"MedShieldFL-a privacy-preserving hybrid federated learning framework for intelligent healthcare systems"的研究論文，提出了一種創新的混合隱私保護聯邦學習框架。該框架通過巧妙整合聯邦學習(FL)、同態加密(HME)和生成對抗網絡(GANs)，實現了在保護數據隱私前提下的高效腦腫瘤分類，為智能醫療系統提供了安全可靠的AI解決方案。

研究人員采用了幾項關鍵技術方法：首先，利用深度卷積生成對抗網絡(DCGAN)進行數據增強，生成合成MRI圖像以解決數據稀缺和類別不平衡問題；其次，采用基于ResNet-18的卷積神經網絡架構進行多級別腦腫瘤分類，在準確性和計算效率間取得平衡；第三，應用同態加密方案(包括BFV和CKKS)實現模型參數的安全聚合，保護患者隱私；最后，在包含真實和合成MRI數據（樣本來源包括BraTS、BT-RIC、TCGA等公開數據集）的多樣化數據集上進行了全面評估，模擬真實醫療環境中的聯邦學習場景。

MedShieldFL框架概述

研究提出的MedShieldFL架構包含三個核心實體：主服務器（協調器）、醫院（本地數據所有者）和安全聚合服務器。框架采用五階段工作流程：密鑰生成與模型初始化、本地數據增強與訓練、加密參數聚合、全局模型更新和模型收斂。每個醫院使用DCGAN增強其本地MRI數據集，訓練本地模型后，使用同態加密保護模型參數，再通過安全聚合器進行加密聚合，最終更新全局模型。

安全聚合架構

安全聚合架構包含數據預處理層、機構客戶端（醫院）、安全聚合器和密鑰服務器四個主要組件。采用分層方法保護隱私并促進協作模型訓練。客戶端使用同態加密(HE)保護模型更新，采用CKKS（近似實數運算）和BFV（精確整數運算）兩種加密方案，結合掩碼機制防止貢獻識別，確保即使聚合器與服務器合謀也無法識別單個更新。

基于DCGAN的數據增強

研究采用DCGAN模型生成合成MRI圖像以改善目標分類器準確性和隱私保護。生成器網絡由二維批量歸一化(BN)層、轉置卷積層(CONVT)和ReLU激活函數組成，從潛在向量z生成圖像；判別器使用卷積層、LeakyReLU激活和sigmoid函數區分真實與生成圖像。通過對抗訓練優化生成圖像質量，解決醫療數據稀缺問題。

基于CNN的多級別分類模型

研究采用基于殘差網絡(ResNet)的深度CNN架構，特別是ResNet-18變體，用于腦癌分類。該架構包含18個層（17個卷積層和1個全連接層），利用殘差連接緩解梯度消失問題，通過全局平均池化和全連接層實現腦腫瘤分為低級別、中級別和高級別的分類任務。

安全同態加密協作聯邦學習

框架采用基于同態加密的安全協作FL，定義N個參與客戶端（醫院）集合，每個客戶端在本地數據集上訓練模型，使用同態加密方案（CKKS或BFV）進行安全聚合。CKKS方案支持近似復數運算，適用于加密數據上的深度學習模型分析；BFV方案支持精確整數運算，適用于隱私保護機器學習中的模運算。

實驗結果與分析

在包含3,064張真實T1加權對比增強MRI圖像和3,000張DCGAN生成合成圖像的數據集上，MedShieldFL表現出色。ResNet-18模型在真實數據集上達到97.08%準確率，在合成數據集上達99.35%，在混合數據集上達98.37%。與基線方法相比，MedShieldFL在準確率（98.37%）、精確度（98.37%）、召回率（98.38%）和F1分數（98.37%）上均優于傳統聯邦學習方法，且在22個周期內實現更快收斂。

聚合技術對模型準確性的影響

研究比較了不同客戶端配置下（4/2、6/3、8/4、10/5）ResNet-18在17個聯邦周期內的性能。基于CKKS的安全聯邦學習與非安全聯邦學習達到相同準確率，使用真實數據時準確率從88%提升至94%，使用DCGAN合成數據時從90%提升至96%。BFV加密方案達到與CKKS相同準確率，數據增強后穩定性略有改善。

基于參與者和聚合方法的執行時間分析

隨著客戶端數量增加，普通FL（FL_plain_R和FL_plain_RS）顯示最低且最穩定的執行時間。引入BFV加密（FL_BFV_R和FL_BFV_RS）使執行時間呈線性增長。基于CKKS的方案（FL_ckks_R和FL_ckks_RS）開銷顯著更大，執行時間隨客戶端增加而快速增加。結果表明需在安全性、可擴展性和效率間取得平衡。

安全與隱私分析

MedShieldFL框架采用客戶端-服務器密碼學保護數據隱私，僅傳輸加密模型參數而非原始醫院記錄。客戶端在發送前加密本地學習模型參數，框架能抵抗模型反轉攻擊、成員推理攻擊和超參數竊取技術。安全聚合器確保中央服務器僅能解密全局模型而無法識別單個客戶端貢獻，結合合成圖像和ResNet-18的深度結構，顯著降低敏感信息推斷風險。

研究結論表明，MedShieldFL成功實現了隱私保護與模型性能的平衡，為分布式醫療環境下的腦腫瘤分類提供了可行解決方案。框架在保持數據主權的前提下，通過同態加密確保隱私安全，通過GAN增強解決數據不平衡問題，通過ResNet-18保證分類準確性。在模擬多機構環境中達到97.3%的準確率，同時滿足醫療數據保護的嚴格需求。

該研究的重要意義在于為隱私敏感的醫療AI應用提供了新范式，解決了傳統集中式學習的數據隱私問題和普通聯邦學習的隱私泄露風險。框架的可擴展性和適應性使其能夠廣泛應用于各種醫療場景，特別是資源受限的邊緣計算環境。未來研究可專注于降低加密計算成本、優化3D醫學影像處理能力，以及實現實時臨床自適應學習，進一步推動隱私保護AI在醫療領域的發展和應用。