Resumen

La recopilación y análisis de casos de pacientes pueden ayudar de manera efectiva a los investigadores a extraer características de casos y lograr los objetivos de la medicina de precisión, pero puede causar problemas de privacidad para los pacientes. Aunque el cifrado es una buena forma de proteger la privacidad, no es propicio para el intercambio y análisis de casos médicos. Para abordar este problema, este artículo propone un modelo de verificación de aprendizaje federado, que combina la tecnología blockchain, el cifrado homomórfico y la tecnología de aprendizaje federado para resolver de manera efectiva problemas de privacidad. Además, presentamos un Algoritmo FL-EM-GMM (Algoritmo del Modelo de Mezcla Gaussiana de Expectativa-Maximización de Aprendizaje Federado), que puede realizar el entrenamiento del modelo sin intercambio de datos para proteger la privacidad de los pacientes. Finalmente, realizamos experimentos en la tarea federada de conjuntos de datos de dos organizaciones en nuestro sistema de modelo, donde los datos tienen el mismo ID de muestra con diferentes características de subconjunto,

• Materias:Seguridad informática Comunicación inalámbrica Internet de las cosas Ataques de denegación distribuida de servicio
• Subjects:Computer security Wireless communication Internet of things Distributed denial of service attacks
• Palabras claves:Recopilación; Análisis; Casos de pacientes; Cuestiones de privacidad; Aprendizaje federado; Cifrado
• Keywords:Collection; Analysis; Patient cases; Privacy issues; Federated learning; Encryption