Однією з основних проблем, з якими стикається сфера медичного штучного інтелекту, є те, як ефективно використовувати цінні дані, які розподілені між різними медичними установами, при забезпеченні конфіденційності даних та дотриманні нормативних вимог. Традиційна централізована модель навчання даних часто викликає занепокоєння щодо витоку конфіденційності через централізовану обробку первинних медичних даних. Хоча чисте федеративне навчання (Federated Learning, FL) може досягти цілей "зберігання даних на місці, спільна оптимізація моделей", все ж існують недоліки в довірі до процесу навчання та оцінки внеску учасників.

Щоб вирішити ці проблеми, виникло інноваційне рішення, яке поєднує технологію блокчейн. Це рішення побудувало надійну рамку для спільного навчання за допомогою "реєстрації вузлів федеративного навчання в ланцюзі + хешування параметрів моделі для зберігання доказів". Основні характеристики цієї рамки включають:

1. Підтвердження ідентичності вузлів федеративного навчання в ланцюгу: медичні установи, які беруть участь у навчанні, повинні зареєструватися в блокчейні, подати свої кваліфікаційні документи, типи даних та іншу ключову інформацію, а також отримати унікальний ідентифікатор вузла, що забезпечує відстежуваність ідентичності учасників.

2. Реальний запис параметрів навчання на ланцюзі: під час кожної ітерації федеративного навчання параметри локальних моделей, що генеруються на кожному вузлі (такі як ваги нейронної мережі, значення функції втрат тощо), обробляються за допомогою хешування та завантажуються в блокчейн, що не тільки запобігає ризику зміни або заміни параметрів, але також гарантує, що оригінальні медичні дані завжди залишаються локально в кожній медичній установі, відповідаючи суворим вимогам захисту конфіденційності.

3. Механізм автоматизованого обліку внесків: на основі обсягу оновлень параметрів та масштабу навчальних даних, смарт-контракт може автоматично розраховувати вагу внесків кожного учасника та відповідно до попередньо визначених пропорцій розподіляти подальші комерційні доходи моделі, ефективно вирішуючи проблему "важкості кількісного визначення внеску" в традиційному федеративному навчанні.

Цей інноваційний підхід вже продемонстрував значні результати в практичному застосуванні. Наприклад, у альянсі, що складається з кількох трьохзіркових лікарень, модель штучного інтелекту для скринінгу раку легенів, розроблена на основі цієї структури, досягла вражаючих результатів: всього за 3 місяці 5 лікарень, що виступали як вузли федеративного навчання, спільно завершили навчання на 100 тисячах даних КТ, а точність остаточної моделі досягла 93,2%, що на 4,5 процентних пункти вище порівняно з традиційними централізованими методами навчання. Ще важливіше те, що завдяки відсутності необхідності централізованої обробки сирих даних, весь цикл перевірки на відповідність проекту скоротився з 2 місяців до 15 днів, а спори між учасниками щодо розподілу доходів зменшилися до нуля.

Ця інноваційна схема, що поєднує блокчейн та федеративне навчання, не тільки ефективно захищає приватність пацієнтів, забезпечуючи відповідність використання даних, але й суттєво підвищує ефективність та продуктивність навчання AI-моделей. Вона пропонує реальне та ефективне рішення для вирішення проблеми ізольованих даних у сфері медичного ШІ та викликів захисту приватності, сподіваючись прискорити швидкий розвиток та широке застосування медичних технологій ШІ, що в кінцевому підсумку суттєво сприятиме підвищенню якості та ефективності медичних послуг.