Recherche d'architecture neuronale fédérée pour la sécurité des données médicales

Les données médicales sont largement présentes à l'hôpital et dans la vie personnelle, généralement réparties entre plusieurs établissements et régions. Elles possèdent une valeur diagnostique essentielle et une importance thérapeutique majeure. La divulgation des informations relatives aux patients suscite l'inquiétude de la population ; par conséquent, une solution de sécurité des données médicales est cruciale pour les soins de santé intelligents. L'émergence de l'apprentissage fédéré (FL) offre une solution efficace qui ne transmet que les paramètres du modèle, surmontant ainsi le goulot d'étranglement du partage des données médicales, protégeant la sécurité des données et évitant les pertes économiques. Parallèlement, la recherche d'architecture neuronale (NAS) est devenue une méthode populaire pour rechercher automatiquement l'architecture neuronale optimale afin de résoudre des problèmes pratiques complexes. Cependant, peu de publications ont combiné le FL et la NAS pour assurer simultanément la protection de la vie privée et la sélection de l'architecture du modèle. Les réseaux neuronaux convolutifs (CNN) affichent des performances remarquables dans le domaine de la reconnaissance d'images. L'association des CNN et des ensembles flous rugueux permet d'améliorer efficacement l'interprétabilité des réseaux neuronaux profonds. Cet article vise à développer un modèle multiobjectif de FL flou rugueux d'intervalle de type 2 convolutif basé sur la NAS (CIT2FR-FL-NAS) pour la sécurité des données médicales, à l'aide d'un algorithme évolutionnaire multiobjectif amélioré. Nous testons le cadre proposé sur l'ensemble de données d'images histopathologiques pulmonaires et coliques LC25000. La vérification expérimentale démontre que le cadre multiobjectif CIT2FR-FL-NAS conçu peut atteindre une précision élevée supérieure à celle des modèles de pointe et réduire la complexité du réseau tout en préservant la sécurité des données médicales.