隐私计算在医疗大数据共享中的探索实践
机遇与挑战
- 机遇：医疗领域的各类研究及AI模型训练需要大量数据支撑。
- 挑战：
- 跨机构数据整合：机构内数据治理、数据隐私保护、法律法规限制（如《网络安全法》、《数据安全法》等）。
- 机构内数据治理：数据质量监控、数据标准不统一、数据量庞大。
场景与解决方案
- 多中心研究：通过多方安全计算、联邦学习、计算汇交等方式实现数据安全共享。
- 应用场景：CRF录入、DPAP接入、数据分析平台、临床研究平台、生信分析平台等。
- 技术路线：基于区块链的可信多中心专病科研平台，采用FATE+自研的YIDUMANDA框架实现多方安全计算与联邦学习。
隐私计算平台核心架构
- YIDUMANDA：医院端数据不出医院，所有数据调用经过多方安全计算框架，确保数据安全。
- 联邦学习：解决异构数据源问题，提升学习效率，保障数据安全。
- FedGFO算法：优化联邦数据，解决非独立同分布场景下的性能问题。
- FedSSO算法：提升服务端二阶优化的学习效率。
区块链应用于医学研究
- 联邦学习全流程审计：利用区块链确保数据和行为的可追溯性和防篡改。
- CrowdMed-II框架：实现高效的知情同意管理。
实践与案例
- 多中心科研平台：已在多家医院进行PoC并落地，完成围术期专病库业务验证。
- 案例：念珠菌血症感染预测的多中心研究，使用联邦学习算法支撑无原始数据传输情况下的多中心研究。
总结
医渡云通过隐私计算和区块链技术，有效解决了医疗大数据共享中的数据安全、隐私保护和合规问题，实现了多中心研究的高效开展。未来将继续推动精准医疗的发展，让价值导向的精准医疗惠及更多人。
