Одной из основных проблем, с которыми сталкивается область медицинского ИИ, является то, как эффективно использовать ценные данные, распределенные по различным медицинским учреждениям, при обеспечении конфиденциальности данных и соблюдения нормативных требований. Традиционная централизованная модель обучения данных часто вызывает опасения по поводу утечки конфиденциальной информации из-за обработки сырых медицинских данных в централизованном порядке. Хотя чисто федеративное обучение (Federated Learning, FL) может достичь цели "сохранения данных локально и совместной оптимизации модели", все же существуют недостатки в отношении доверия в процессе обучения и оценки вклада участников.

Чтобы решить эти проблемы, было разработано инновационное решение, объединяющее технологии блокчейна. Это решение строит надежную рамку для совместного обучения, используя метод "регистрация узлов федеративного обучения на блокчейне + хэширование параметров модели для доказательства хранения". Основные характеристики этой рамки включают:

1. Подтверждение идентичности узлов федеративного обучения на блокчейне: медицинские учреждения, участвующие в обучении, должны зарегистрироваться на блокчейне, предоставить ключевую информацию, такую как квалификация учреждения и типы данных, и получить уникальный идентификатор узла, что обеспечивает возможность отслеживания идентичности участников.

2. Реальная онлайновая запись параметров обучения: в процессе каждой итерации федеративного обучения локальные параметры модели, генерируемые каждым узлом (такие как веса нейронной сети, значения функции потерь и т.д.), обрабатываются с помощью хеширования и загружаются в блокчейн. Это не только предотвращает риск изменения или замены параметров, но и гарантирует, что оригинальные медицинские данные всегда остаются в местных медицинских учреждениях, что соответствует строгим требованиям по защите конфиденциальности.

3. Механизм автоматизированной оценки вклада: на основе обновлений параметров и объема обучающих данных, зафиксированных в блокчейне, смарт-контракт может автоматически рассчитывать вес вклада каждого участвующего узла и распределять последующие доходы от коммерциализации модели в заранее установленных пропорциях, эффективно решая проблему "трудности количественной оценки вклада" в традиционном федеративном обучении.

Это инновационное решение уже продемонстрировало значительные результаты на практике. Например, в альянсе, состоящем из нескольких больниц высшей категории, обучение AI-модели для скрининга рака легких, основанное на этой структуре, достигло впечатляющих результатов: всего за 3 месяца 5 больниц в качестве узлов федеративного обучения совместно завершили обучение на 100000 случаях данных КТ, и итоговая точность модели достигла 93,2%, что на 4,5 процентных пункта выше, чем у традиционных централизованных методов обучения. Более того, поскольку не требуется централизованная обработка исходных данных, весь процесс проверки на соответствие сократился с первоначальных 2 месяцев до 15 дней, а споры между участвующими учреждениями о распределении доходов также снизились до нуля.

Это инновационное решение, объединяющее блокчейн и федеративное обучение, не только эффективно защищает конфиденциальность пациентов и обеспечивает соблюдение требований к использованию данных, но также значительно повышает эффективность и производительность обучения ИИ-моделей. Оно предлагает жизнеспособное и эффективное решение для проблемы изоляции данных и вызовов защиты конфиденциальности в области медицинского ИИ, что, в свою очередь, может способствовать быстрому развитию и широкому применению технологий медицинского ИИ, в конечном итоге внося важный вклад в повышение качества и эффективности медицинских услуг.