Salah satu tantangan besar yang dihadapi di bidang AI medis adalah bagaimana memanfaatkan sumber daya data berharga yang tersebar di berbagai lembaga medis secara efektif, sambil memastikan privasi data dan kepatuhan. Model pelatihan data terpusat tradisional sering memicu kekhawatiran tentang kebocoran privasi karena melibatkan pemrosesan data medis mentah secara terpusat. Meskipun pembelajaran federasi (Federated Learning, FL) murni dapat mencapai tujuan "data tetap lokal, model kolaboratif dioptimalkan", masih ada kekurangan dalam hal kredibilitas proses pelatihan dan penilaian kontribusi pihak yang berpartisipasi.

Untuk mengatasi masalah ini, sebuah solusi inovatif yang menggabungkan teknologi blockchain telah muncul. Solusi ini membangun kerangka pelatihan kolaboratif yang dapat dipercaya melalui "pendaftaran node pembelajaran federasi di blockchain + penyimpanan hash parameter model". Ciri utama dari kerangka ini termasuk:

1. Konfirmasi identitas on-chain untuk node pembelajaran federasi: Institusi medis yang berpartisipasi dalam pelatihan perlu mendaftar di blockchain, mengajukan kualifikasi institusi mereka, jenis data, dan informasi kunci lainnya, serta mendapatkan identifikasi node yang unik, memastikan keterlacakan identitas pihak yang terlibat.

2. Pembuktian on-chain parameter pelatihan secara real-time: Dalam setiap proses iterasi pembelajaran federasi, parameter model lokal yang dihasilkan oleh masing-masing node (seperti bobot jaringan saraf, nilai fungsi kerugian, dll.) diunggah ke blockchain setelah diproses dengan hash. Ini tidak hanya mencegah risiko parameter yang dimanipulasi atau diganti, tetapi juga memastikan bahwa data medis asli selalu disimpan di setiap institusi medis secara lokal, sesuai dengan persyaratan perlindungan privasi yang ketat.

3. Mekanisme penghitungan kontribusi otomatis: Berdasarkan jumlah pembaruan parameter yang tercatat di blockchain dan skala data pelatihan, kontrak pintar dapat secara otomatis menghitung bobot kontribusi setiap node peserta, dan mendistribusikan pendapatan komersialisasi model berikutnya sesuai dengan proporsi yang telah ditetapkan sebelumnya, secara efektif menyelesaikan masalah "kontribusi yang sulit diukur" dalam pembelajaran federasi tradisional.

Solusi inovatif ini telah menunjukkan hasil yang signifikan dalam aplikasi praktik. Misalnya, dalam sebuah aliansi yang terdiri dari beberapa rumah sakit kelas satu, pelatihan model AI untuk skrining kanker paru-paru yang dilakukan berdasarkan kerangka ini telah mencapai hasil yang mengesankan: dalam waktu hanya 3 bulan, 5 rumah sakit sebagai node pembelajaran federasi, bersama-sama menyelesaikan pelatihan terhadap 100.000 data CT, dan akhirnya akurasi model mencapai 93,2%, meningkat 4,5 poin persentase dibandingkan dengan metode pelatihan terpusat tradisional. Yang lebih penting, karena tidak perlu memproses data mentah secara terpusat, seluruh siklus tinjauan kepatuhan proyek telah berkurang secara signifikan dari 2 bulan menjadi 15 hari, sementara perselisihan antara lembaga yang terlibat mengenai pembagian pendapatan juga berkurang menjadi nol.

Solusi inovatif yang menggabungkan blockchain dan federated learning ini tidak hanya efektif melindungi privasi pasien, memastikan kepatuhan penggunaan data, tetapi juga secara signifikan meningkatkan efisiensi dan kinerja pelatihan model AI. Ini menawarkan solusi yang layak dan efisien untuk mengatasi masalah pulau data dan tantangan perlindungan privasi di bidang AI medis, diharapkan dapat mendorong perkembangan cepat dan penerapan luas teknologi AI medis, yang pada akhirnya akan memberikan kontribusi penting untuk meningkatkan kualitas dan efisiensi layanan kesehatan.