Умные часы, кардиомониторы и тонометры давно стали частью удалённого наблюдения за пациентами (Remote Patient Monitoring, RPM). Эти устройства из мира интернета медицинских вещей (Internet of Medical Things, IoMT) собирают огромные массивы данных о здоровье, и именно на их основе строятся модели обнаружения аномалий (Anomaly Detection, AD) — системы, которые учатся отличать типичное поведение пациента от отклонений. Проблема в том, что классические централизованные модели такого рода создают серьёзные риски для приватности и безопасности. Решить их предложили авторы новой научной работы, построив систему на принципах федеративного обучения (Federated Learning, FL).
Чем плоха централизация
В типичной архитектуре модель обнаружения аномалий и весь набор данных пациентов хранятся в облаке одной медицинской организации — это удобно для обучения модели и операций чтения/записи, но порождает единую точку отказа и концентрирует чувствительные данные из множества источников в одном месте. Авторы выделяют четыре характерных угрозы такой схемы:
- Утечка приватных данных — злоумышленник может получить доступ к сведениям о здоровье любого пациента, хотя контроль над своими данными должен оставаться за самим человеком.
- Отравление обучающей выборки — атакующий подмешивает вредоносные данные, чтобы снизить точность распознавания модели.
- Дрейф модели — статистическая структура данных со временем меняется, и злоумышленник может усилить этот эффект, целенаправленно внедряя определённые точки данных.
- Издержки производительности — единая точка отказа приводит к потере данных и росту времени отклика.
Как устроена иерархическая федеративная модель
Предлагаемое решение строится иначе: каждый из N участников хранит собственный локальный набор данных, собранных умными IoT-устройствами (например, носимым глюкометром или смарт-часами), с метками «норма» и «аномалия». Каждый участник обучает локальную модель и отправляет только веса — не сами данные — на федеративный облачный сервер. Сервер агрегирует полученные веса по определённым атрибутам, например возрасту пациента или названию заболевания, и рассылает участникам обновлённые глобальные веса.
За распознавание аномалий отвечает нейросеть Time Distributed LSTM с двумя последовательными слоями по четыре LSTM-ячейки в каждом: локальное обучение на устройстве идёт последовательностями по четыре входных образца. Процесс продолжается, пока ошибка распознавания не опустится ниже заданного порога либо не будет пройдено H эпох, после чего веса локальных моделей снова загружаются на сервер для агрегации, а устройства продолжают дообучение уже с учётом глобальных весов — так до тех пор, пока все N локальных моделей не будут оптимизированы.
Сценарий с двумя медицинскими организациями
Работоспособность подхода авторы иллюстрируют на примере двух медицинских организаций. К организации-1 относятся пациенты Боб, Алиса, Джон и Пол, к организации-2 — Сьюзен и Макс. Боб, Алиса, Сьюзен и Макс страдают синдромом обструктивного апноэ сна (OSA), а Джон и Пол — диабетики (DB). Данные с IoT-устройств каждого пациента передаются сервису цифровых двойников, который строит цифровой двойник (Digital Twin) пациента, — именно через него врачи получают доступ к данным своих подопечных.
Иерархическая архитектура позволяет организациям сотрудничать между собой: Боб и Алиса из организации-1 обмениваются локальными весами с другими пациентами с OSA — не только внутри своей организации, но и со Сьюзен и Максом из организации-2. За счёт объединения весов моделей пациентов со схожими диагнозами локальные модели дообучаются на новых образцах и точнее распознают аномалии — без передачи чьих-либо персональных данных за пределы организации, где они были собраны.
Полное описание модели и результаты экспериментов авторы опубликовали в виде препринта на arXiv.
Источник: MarkTechPost.