一种用于推进欧洲临床中心中风管理的联邦学习平台即服务
论文标题：A Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers
作者信息：
- Diogo Reis Santos, Albert Sund Aillet, Antonio Boiano, Usevalad Milasheuski, Lorenzo Giusti, Marco Di Gennaro, Sanaz Kianoush, Luca Barbieri, Monica Nicoli, Michele Carminati, Alessandro E. C. Redondi, Stefano Savazzi, Luigi Serio
- 作者分别来自以下机构：
- CERN, Switzerland
- DEIB, Politecnico di Milano, Milan, Italy
- IEIIT, Consiglio Nazionale delle Ricerche (CNR), Milan, Italy
论文出处：arXiv:2410.13869v1 [cs.CY] 2 Oct 2024
摘要： 本文介绍了一个创新的联邦学习（Federated Learning, FL）平台，旨在支持欧洲临床中心中风管理的配置、监控和管理工作。该平台采用平台即服务（Platform-as-a-Service, PaaS）原则，利用消息队列遥测传输（Message Queuing Telemetry Transport, MQTT）发布-订阅协议。考虑到临床环境中的生产准备和数据敏感性，本文强调了所提出的FL架构的安全性，解决了潜在威胁，并提出了增强平台可信度的缓解策略。该平台已在多种操作环境中使用公开数据集进行了成功测试，突显了其优势并确认了其有效性。
引言： 中风是全球导致严重残疾的主要原因，也是第二大死亡原因。TRUSTroke项目旨在开发一种新颖、可信且保护隐私的人工智能平台，以协助管理缺血性中风的急性和慢性阶段。该项目利用临床和患者报告的数据，解决五个关键的临床终点（Clinical Endpoints, CEPs）。
联邦学习平台用于中风管理： 机器学习（ML）可以在辅助上述五个CEPs中发挥关键作用，提供快速、精确和多变量的诊断。TRUSTroke专注于为临床生产环境开发一个保护隐私的联邦学习（FL）平台。这个平台允许多方协作训练模型，同时确保数据安全。
贡献： 由CERN与米兰理工大学和意大利国家研究委员会合作开发的FL基础设施，已在CERN部署，旨在允许多个临床场所协作构建多个可信的基于AI的预测模型。这将确保符合通用数据保护条例（GDPR）和欧盟关于个人数据存储和处理的法规，降低医院采用的障碍，并解决欧盟医疗器械法规和美国食品药品监督管理局（FDA）AI医疗设备库的挑战。
联邦学习平台： CAFEIN（Computational Algorithms for Federated Environments: Integration and Networking）是一个在CERN开发的联邦学习平台，用于训练和部署基于AI的分析和预测模型。该平台包括四个主要组件：MQTT代理、参数服务器、客户端节点和控制中心。
联邦学习过程初始化： 初始化涉及配置各种功能和参数，以便最终用户可以设置以启动FL过程。这包括定义机器学习模型的架构、配置FL实验的设置，并通过控制中心初始化和验证过程。
联邦学习实验的编排： 编排过程涉及多个步骤，包括MQTT主题、订阅者和发布者的交互。实验初始化、联邦过程初始化、模型训练和响应、FL迭代和全局模型分发以及状态更新是编排过程中的关键步骤。
实验跟踪和日志记录： 客户端节点和参数服务器的实验工件存储在附加的存储卷中。这些工件包括本地和全局模型、TensorBoard文件和日志文件。日志记录在各自的实验文件夹中实施，确保全面的跟踪机制。
安全分析： 尽管现有文献中经常忽视FL系统的安全性，但鉴于项目的关键性质和涉及的敏感数据，安全性至关重要。从传统的分布式系统和FL角度进行彻底的安全分析是必要的，以解决和缓解安全和隐私问题，从而增强解决方案的鲁棒性和可靠性。
实验结果与中风数据： 所提出的平台使用公开可用的中风预测数据集进行了测试和评估。数据被划分，以便20%作为测试集，剩余的80%分布在三个节点之间，模拟目标部署和配置。实验结果表明，通过联邦方法，特别是FedAvg，实现了显著的性能提升，证明了FL架构的可行性和有效性。
结论和未来活动： 我们提出了一个为医疗保健应用量身定制的健壮的FL平台，并针对生产环境进行了优化。该平台由三个模块化应用程序组成，共同促进了多个临床场所之间的安全、高效和保护隐私的协作模型训练。未来的工作将集中在提高聚合算法的安全性和性能、模型安全性上，并提高平台的可靠性。开发工作将整合差分隐私技术和模型异常检测模块，以加强对对抗性和非对抗性攻击的防御。