Uno de los principales desafíos en el campo de la IA médica es cómo utilizar de manera efectiva los valiosos recursos de datos dispersos en varias instituciones médicas, garantizando al mismo tiempo la privacidad de los datos y el cumplimiento normativo. El modelo tradicional de entrenamiento de datos centralizado, que implica el procesamiento centralizado de datos médicos en bruto, a menudo genera preocupaciones sobre la filtración de la privacidad. Aunque el aprendizaje federado (Federated Learning, FL) puede lograr el objetivo de "mantener los datos localmente y optimizar el modelo de manera colaborativa", todavía existen deficiencias en la credibilidad del proceso de entrenamiento y en la evaluación de la contribución de los participantes.

Para resolver estos problemas, ha surgido una innovadora solución que combina la tecnología blockchain. Esta solución construye un marco de entrenamiento colaborativo confiable a través de "registro en cadena de nodos de aprendizaje federado + prueba de hash de parámetros del modelo". Las características principales de este marco incluyen:

1. Confirmación de identidad en la cadena de nodos de aprendizaje federado: las instituciones médicas que participan en el entrenamiento deben registrarse en la blockchain, presentar su calificación institucional, tipo de datos y otra información clave, y obtener una identificación de nodo única, asegurando así la trazabilidad de la identidad de los participantes.

2. Certificación en tiempo real de los parámetros de entrenamiento en la cadena: En cada iteración del aprendizaje federado, los parámetros del modelo local generados por cada nodo (como los pesos de la red neuronal, el valor de la función de pérdida, etc.) se procesan mediante hash y se suben a la cadena de bloques, lo que no solo previene el riesgo de que los parámetros sean alterados o reemplazados, sino que también garantiza que los datos médicos originales permanezcan siempre en las instituciones médicas locales, cumpliendo con estrictos requisitos de protección de la privacidad.

3. Mecanismo automatizado de cálculo de contribuciones: Basado en la cantidad de actualizaciones de parámetros y el tamaño de los datos de entrenamiento registrados en la cadena, los contratos inteligentes pueden calcular automáticamente el peso de la contribución de cada nodo participante y distribuir los ingresos comerciales futuros del modelo de acuerdo con una proporción preestablecida, resolviendo eficazmente el problema de "dificultad para cuantificar la contribución" en el aprendizaje federado tradicional.

Esta innovadora solución ha mostrado resultados significativos en la aplicación práctica. Por ejemplo, en una alianza compuesta por múltiples hospitales de clase A, el entrenamiento de un modelo de IA para la detección del cáncer de pulmón basado en este marco ha logrado resultados notables: en solo 3 meses, 5 hospitales como nodos de aprendizaje federal completaron el entrenamiento de 100,000 datos de CT, alcanzando una precisión del modelo del 93.2%, lo que representa un aumento de 4.5 puntos porcentuales en comparación con los métodos de entrenamiento centralizados tradicionales. Más importante aún, al no ser necesario procesar los datos originales de forma centralizada, el ciclo de revisión de cumplimiento del proyecto se redujo drásticamente de 2 meses a 15 días, y las disputas entre las instituciones participantes sobre la división de beneficios también se redujeron a cero.

Esta innovadora solución que fusiona blockchain y aprendizaje federado no solo protege eficazmente la privacidad de los pacientes y asegura la conformidad en el uso de datos, sino que también mejora significativamente la eficiencia y el rendimiento del entrenamiento de modelos de IA. Proporciona una solución viable y eficiente para abordar los problemas de islas de datos y los desafíos de protección de la privacidad en el campo de la IA médica, y se espera que impulse el rápido desarrollo y la amplia aplicación de la tecnología de IA en la medicina, contribuyendo de manera importante a mejorar la calidad y eficiencia de los servicios médicos.