تشخيص طبي خفيف الوزن يحافظ على الخصوصية في الحوسبة الطرفية

مع تطور التعلم الآلي، أصبح شائعًا أن يتمكن المستخدمون المحمولون من تقديم الأعراض الفردية في أي وقت وفي أي مكان للتشخيص الطبي. غالباً ما يتم اعتماد الحوسبة الطرفية لتقليل زمن النقل للخدمة التشخيصية في الوقت الحقيقي. ومع ذلك، فإن التعلم الآلي القائم على البيانات، الذي يتطلب بناء نموذج تشخيصي فوق كميات هائلة من البيانات الطبية، يتسبب حتماً في تسرب خصوصية البيانات الطبية. من الضروري توفير الحفاظ على الخصوصية. لحل القضايا التحديات الموضحة أعلاه، نقوم في هذه المقالة بتصميم آلية تشخيص طبي خفيفة الوزن تحافظ على الخصوصية على الحافة، تُدعى LPME. تقوم LPME بإعادة تصميم نموذج التعزيز المتطرف (XGBoost) بناءً على نموذج الحافة-السحاب، الذي يعتمد على معلمات نموذج مشفرة بدلاً من البيانات المحلية لإزالة كميات من حساب التشفير إلى حساب النص العادي، وبالتالي تحقق الحفاظ على الخصوصية الخفيفة على الحافة المحدودة الموارد. بالإضافة إلى ذلك، توفر LPME تشخيصًا آمنًا على الحافة مع الحفاظ على الخصوصية للتشخيص الخاص وفي الوقت المناسب. تشير تحليلنا الأمني ​​وتقييمنا التجريبي إلى أمان وفعالية وكفاءة LPME.