[發明專利]一種基于聯邦學習的防竊取攻擊醫療診斷模型保護方法

在審

• 申請號: 202110422407.3
• 申請日: 2021-04-20
• 公開（公告）號: CN112967812A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 鄭子彬;李世璇;陳川
• 申請（專利權）人: 鐘愛健康科技（廣東）有限公司
• 主分類號: G16H50/50
• 分類號: G16H50/50;G06F21/62;G06N20/20;G06N3/08
• 代理公司: 北京沃知思真知識產權代理有限公司 11942
• 代理人: 王茜

1.一種基于聯邦學習的防竊取攻擊醫療診斷模型保護方法，其特征在于，該醫療診斷模型保護方法具體步驟如下：

S1、假設有N個醫療機構各收集N個敏感醫療數據集，各機構基于這些數據集獨立訓練不同的本地模型，得到N個teacher；

S2、在各醫療機構本地部署訓練好的teacher，記錄每一個teacher的預測結果，用于最終結果投票；

S3、引入拉普拉斯噪聲，將票數的統計情況打亂，實現差分隱私保護；

S4、在聯邦全局服務器聚合所有teacher的預測結果并進行投票，選取票數最高的作為最終結果，得到aggregated teacher；

S5、在聯邦全局服務器用aggregated teacher對無標簽的脫敏公共數據集進行標注，得到有標簽脫敏公共數據集；

S6、在聯邦全局服務器用步驟S5得到的有標簽脫敏公共數據集訓練新的深度神經網絡模型student；

S7、將訓練好的student提供給用戶使用。

2.根據權利要求1所述的一種基于聯邦學習的防竊取攻擊醫療診斷模型保護方法，其特征在于：步驟S3中實現差分隱私保護的具體過程為：

SS1、在聯邦全局服務器統計N個醫療機構本地訓練的teacher模型的投票情況，形成聚合結果；

SS2、如果大部分teacher模型都同意某個預測結果，則不依賴于具體的分散數據集，即隱私成本很小；如果兩類預測結果有相近的票數，則這種不一致或許會泄露隱私信息，因此在投票形成aggregated teacher前，增加差分隱私；

SS3、把聯邦全局服務器聚合的aggregated teacher視為差分隱私模塊，用戶提供輸入數據，aggregated teacher能返回保護隱私的標簽。

3.根據權利要求2所述的一種基于聯邦學習的防竊取攻擊醫療診斷模型保護方法，其特征在于：步驟SS2中所述差分隱私步驟具體為：引入拉普拉斯噪聲，把票數的統計情況打亂，保護隱私。

4.根據權利要求1所述的一種基于聯邦學習的防竊取攻擊醫療診斷模型保護方法，其特征在于：步驟S6訓練新的深度神經網絡模型student的主要因素為：

(1)步驟S4中的aggregated teacher的差分隱私保護有限，如果攻擊者多次調用aggregated teacher差分隱私模塊，則可能會通過輸出結果獲得某些隱私信息；

(2)步驟S6中的深度神經網絡模型student是脫敏的模型，可在用戶設備上直接運行，能避免攻擊者直接多次調用aggregated teacher差分隱私模塊。

5.根據權利要求1所述的一種基于聯邦學習的防竊取攻擊醫療診斷模型保護方法，其特征在于：步驟S6中的深度神經網絡模型student是基于未標記的脫敏公共數據集訓練的，且在訓練深度神經網絡模型student前，需在聯邦全局服務器先用aggregated teacher對該脫敏公共數據集完成標注。