Apprentissage fédéré pour la préservation de la vie privée dans les systèmes de santé intelligents : Une étude complète

Apprentissage fédéré pour la préservation de la vie privée dans les systèmes de santé intelligents : Une étude complète

M. Ali, F. Naeem, M. Tariq et G. Kaddoum, “Federated Learning for Privacy Preservation in Smart Healthcare Systems : A Comprehensive Survey”, dans IEEE Journal of Biomedical and Health Informatics, vol. 27, no. 2, pp. 778-789, Feb. 2023, doi : 10.1109/JBHI.2022.3181823.

Abstract or Summary

Les progrès récents des appareils électroniques et de l’infrastructure de communication ont révolutionné le système de santé traditionnel en le transformant en un système de santé intelligent grâce aux appareils de l’internet des objets médicaux (IoMT). Toutefois, en raison de l’approche de formation centralisée de l’intelligence artificielle (IA), les appareils mobiles et portables de l’IoMT posent des problèmes de confidentialité concernant les informations communiquées entre les hôpitaux et les utilisateurs finaux. Les informations transmises par les dispositifs de l’IoMT sont hautement confidentielles et peuvent être exposées à des adversaires. À cet égard, l’apprentissage fédéré (AF), un paradigme d’IA distributive, a ouvert de nouvelles perspectives pour la préservation de la vie privée dans l’IoMT sans accéder aux données confidentielles des participants. En outre, FL garantit la confidentialité aux utilisateurs finaux, car seuls les gradients sont partagés pendant l’apprentissage. Pour ces propriétés spécifiques de la FL, nous présentons dans ce document les questions liées à la protection de la vie privée dans l’IoMT. Ensuite, nous présentons le rôle du FL dans les réseaux IoMT pour la préservation de la vie privée et introduisons quelques architectures FL avancées en incorporant l’apprentissage par renforcement profond (DRL), le jumeau numérique et les réseaux adversaires génératifs (GAN) pour détecter les menaces à la vie privée. En outre, nous présentons quelques opportunités pratiques pour le FL dans l’IoMT. Enfin, nous concluons cette étude en discutant des questions de recherche ouvertes et des défis liés à l’utilisation des FL dans les futurs systèmes de soins de santé intelligents.

Implications of the Research

Visuals

Supplementary Materials

Acknowledgements

Citations and References

Other Publications

Retour au haut Drag