基于联邦学习的医疗数据隐私保护方法及系统与流程

本申请涉及医疗数据处理与人工智能安全，尤其涉及一种基于联邦学习的医疗数据隐私保护方法及系统。

背景技术：

1、随着人工智能技术在疾病识别、医学影像分析和辅助诊断等领域的应用不断深入，医疗模型通常需要依赖大量、多来源的医疗数据进行训练。然而，病历记录、检查结果及患者身份信息具有较高敏感性，且分散存储于不同医疗机构。若采用集中汇集数据的方式进行模型训练，不仅面临跨机构数据共享困难，还容易产生数据越权使用、传输泄露及集中存储攻击等风险，难以满足医疗数据安全和隐私合规要求。

2、现有技术中，联邦学习通过在各参与机构本地训练模型并向服务端上传模型参数或梯度，使原始医疗数据无需直接离开本地，从而为多机构协同建模提供了一种实现方式。服务端接收各机构提交的模型更新信息后进行聚合，并将更新后的全局模型下发至各参与机构，以循环完成联合训练。

3、但是，现有联邦学习方案通常仅关注原始数据不出本地，对模型更新信息的隐私保护较为单一。模型梯度或参数中仍可能包含可用于推断训练样本特征的信息，存在通过梯度反演或参数分析恢复患者隐私的风险。同时，不同模型参数对应的隐私泄露程度存在差异，现有方案缺少结合参数可推断程度和机构训练状态实施差异化保护的机制，并且难以在不暴露单个机构模型更新内容的情况下兼顾聚合可信性与模型训练效果。

技术实现思路

1、有鉴于此，本申请实施例提供了一种基于联邦学习的医疗数据隐私保护方法及系统，以解决现有技术存在的医疗数据难以安全协同建模、模型更新存在隐私泄露风险、安全聚合可信性不足的问题。

2、本申请实施例的第一方面，提供了一种基于联邦学习的医疗数据隐私保护方法，包括：获取各医疗机构用于联合建模的本地医疗数据，在机构节点内对本地医疗数据进行敏感信息剥离和特征规范化，形成本地训练数据集；将服务端下发的全局模型加载至各机构节点，利用本地训练数据集执行局部训练，获得表征局部模型相对于全局模型变化的模型更新数据；根据不同参数单元对本地训练样本的可推断程度，结合机构节点训练状态生成隐私风险表征，并据此确定对应参数单元的保护强度；按照保护强度对模型更新数据实施分层扰动和可聚合加密，生成携带样本表征和更新可信度的受保护模型更新数据，并上传至服务端；服务端根据各机构节点的样本表征和更新可信度确定聚合权重，在不恢复单个机构节点模型更新数据的条件下，对受保护模型更新数据进行安全聚合，获得全局模型更新量；基于全局模型更新量更新全局模型，将更新后的全局模型下发至各机构节点，重复局部训练、隐私保护和安全聚合，直至满足预设训练终止条件。

3、本申请实施例的第二方面，提供了一种基于联邦学习的医疗数据隐私保护系统，包括：获取模块，用于获取各医疗机构用于联合建模的本地医疗数据，在机构节点内对本地医疗数据进行敏感信息剥离和特征规范化，形成本地训练数据集；训练模块，用于将服务端下发的全局模型加载至各机构节点，利用本地训练数据集执行局部训练，获得表征局部模型相对于全局模型变化的模型更新数据；确定模块，用于根据不同参数单元对本地训练样本的可推断程度，结合机构节点训练状态生成隐私风险表征，并据此确定对应参数单元的保护强度；生成模块，用于按照保护强度对模型更新数据实施分层扰动和可聚合加密，生成携带样本表征和更新可信度的受保护模型更新数据，并上传至服务端；

4、聚合模块，用于服务端根据各机构节点的样本表征和更新可信度确定聚合权重，在不恢复单个机构节点模型更新数据的条件下，对受保护模型更新数据进行安全聚合，获得全局模型更新量；更新模块，用于基于全局模型更新量更新全局模型，将更新后的全局模型下发至各机构节点，重复局部训练、隐私保护和安全聚合，直至满足预设训练终止条件。

5、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

6、通过获取各医疗机构用于联合建模的本地医疗数据，在机构节点内对本地医疗数据进行敏感信息剥离和特征规范化，形成本地训练数据集；将服务端下发的全局模型加载至各机构节点，利用本地训练数据集执行局部训练，获得表征局部模型相对于全局模型变化的模型更新数据；根据不同参数单元对本地训练样本的可推断程度，结合机构节点训练状态生成隐私风险表征，并据此确定对应参数单元的保护强度；按照保护强度对模型更新数据实施分层扰动和可聚合加密，生成携带样本表征和更新可信度的受保护模型更新数据，并上传至服务端；服务端根据各机构节点的样本表征和更新可信度确定聚合权重，在不恢复单个机构节点模型更新数据的条件下，对受保护模型更新数据进行安全聚合，获得全局模型更新量；基于全局模型更新量更新全局模型，将更新后的全局模型下发至各机构节点，重复局部训练、隐私保护和安全聚合，直至满足预设训练终止条件。本申请能够提高多机构协同建模安全性、降低模型更新泄露风险、增强安全聚合可信性。

1.一种基于联邦学习的医疗数据隐私保护方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述在机构节点内对所述本地医疗数据进行敏感信息剥离和特征规范化，形成本地训练数据集，包括：

3.根据权利要求1所述的方法，其特征在于，所述将服务端下发的全局模型加载至各机构节点，利用所述本地训练数据集执行局部训练，获得表征局部模型相对于所述全局模型变化的模型更新数据，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据不同参数单元对本地训练样本的可推断程度，结合机构节点训练状态生成隐私风险表征，并据此确定对应参数单元的保护强度，包括：

5.根据权利要求4所述的方法，其特征在于，所述在所述机构节点内，利用受控探测数据对各参数单元执行信息反推测试，根据反推结果与对应训练样本之间的匹配程度，确定各参数单元的样本可推断程度，包括：

6.根据权利要求1所述的方法，其特征在于，所述按照所述保护强度对模型更新数据实施分层扰动和可聚合加密，生成携带样本表征和更新可信度的受保护模型更新数据，并上传至服务端，包括：

7.根据权利要求1所述的方法，其特征在于，所述服务端根据各机构节点的样本表征和更新可信度确定聚合权重，在不恢复单个机构节点模型更新数据的条件下，对所述受保护模型更新数据进行安全聚合，获得全局模型更新量，包括：

8.根据权利要求7所述的方法，其特征在于，在对所述受保护模型更新数据进行安全聚合之前，还包括：

9.根据权利要求1所述的方法，其特征在于，所述基于所述全局模型更新量更新全局模型，将更新后的全局模型下发至各机构节点，重复局部训练、隐私保护和安全聚合，直至满足预设训练终止条件，包括：

10.一种基于联邦学习的医疗数据隐私保护系统，其特征在于，包括：