Un défi majeur dans le domaine de l'IA médicale est de savoir comment utiliser efficacement les précieuses ressources de données dispersées dans diverses institutions médicales, tout en garantissant la confidentialité des données et la conformité. Le modèle traditionnel d'entraînement des données centralisées, qui implique le traitement centralisé des données médicales brutes, soulève souvent des inquiétudes concernant la fuite de la vie privée. Bien que l'apprentissage fédéré (Federated Learning, FL) puisse atteindre l'objectif de "conserver les données localement et optimiser le modèle de manière collaborative", il existe encore des lacunes en matière de fiabilité du processus d'entraînement et d'évaluation de la contribution des parties participantes.

Pour résoudre ces problèmes, une solution innovante combinant la technologie blockchain a vu le jour. Cette solution construit un cadre d'entraînement collaboratif fiable grâce à l'enregistrement des nœuds d'apprentissage fédéré sur la blockchain et à la preuve de hachage des paramètres du modèle. Les caractéristiques principales de ce cadre incluent :

1. Confirmation de l'identité sur la chaîne des nœuds d'apprentissage fédéral : Les établissements de santé participant à la formation doivent s'inscrire sur la blockchain, soumettre des informations clés telles que leurs qualifications institutionnelles et le type de données, et obtenir une identification unique du nœud, garantissant la traçabilité de l'identité des parties participantes.

2. Preuve en temps réel des paramètres d'entraînement sur la chaîne : À chaque itération de l'apprentissage fédéré, les paramètres de modèle local générés par chaque nœud (comme les poids des réseaux neuronaux, les valeurs de fonction de perte, etc.) sont téléchargés sur la blockchain après traitement par hachage. Cela non seulement empêche le risque de falsification ou de remplacement des paramètres, mais garantit également que les données médicales brutes restent toujours localisées dans chaque institution médicale, conformément aux exigences strictes de protection de la vie privée.

3. Mécanisme de calcul de la contribution automatisée : basé sur la mise à jour des paramètres enregistrés sur la chaîne et l'échelle des données d'entraînement, le contrat intelligent peut automatiquement calculer le poids de contribution de chaque nœud participant et répartir les revenus commercialisés du modèle selon des proportions préalablement définies, résolvant efficacement le problème de "quantification difficile de la contribution" dans l'apprentissage fédéré traditionnel.

Cette solution innovante a déjà montré des résultats significatifs dans l'application pratique. Par exemple, au sein d'une alliance composée de plusieurs hôpitaux de premier plan, l'entraînement du modèle d'IA pour le dépistage du cancer du poumon basé sur ce cadre a obtenu des résultats remarquables : en seulement 3 mois, 5 hôpitaux en tant que nœuds d'apprentissage fédéré ont conjointement terminé l'entraînement de 100 000 données CT, et la précision du modèle final a atteint 93,2 %, soit une amélioration de 4,5 points par rapport à la méthode d'entraînement centralisée traditionnelle. Plus important encore, grâce à l'absence de traitement centralisé des données brutes, le cycle de conformité du projet a été considérablement réduit, passant de 2 mois à seulement 15 jours, et les différends concernant le partage des revenus entre les institutions participantes ont également été réduits à zéro.

Cette solution innovante combinant blockchain et apprentissage fédéré protège non seulement efficacement la vie privée des patients et assure la conformité de l'utilisation des données, mais améliore également de manière significative l'efficacité et la performance de l'entraînement des modèles d'IA. Elle offre une solution viable et efficace pour résoudre le problème des îlots de données et les défis de protection de la vie privée dans le domaine de l'IA médicale, et devrait favoriser le développement rapide et l'adoption généralisée des technologies d'IA médicale, contribuant ainsi de manière importante à l'amélioration de la qualité et de l'efficacité des services de santé.