[发明专利]一种基于联邦学习的心脏病辅助诊断系统

说明书

一种基于联邦学习的心脏病辅助诊断系统，包括联邦学习服务端和联邦学习客户端；所述联邦学习服务端为医疗云服务中心，作为联邦学习的组织协调方，配置有用于诊断心脏病的预测模型；包括初始化模块、模型参数收集模块和模型参数聚合模块；所述联邦学习客户端为医疗机构，作为联邦学习的主体参与者，同联邦学习服务端，提供模型训练服务及疾病诊断服务；包括数据提取模块、数据预处理模块、协作初始化模块、模型训练模块、加密上传模块和模型预测模块。本发明能够在保证参与者本地数据隐私安全的同时，解决医疗数据孤岛问题，更加高效准确地对心脏病进行辅助诊断。

技术领域

本发明属于人工智能医疗领域，特别涉及一种基于联邦学习的心脏病辅助诊断系统。

背景技术

随着人工智能技术的加速成熟以及医疗信息化、数字化程度的加深，使用机器学习进行临床心脏病的辅助诊断成为了可能。然而机器学习需要数据作为学习基础，各医疗机构的数据有限，且医疗领域重视隐私保护而形成“数据孤岛”。

现有专利申请CN201710592459.9提供了一种医疗数据采集分析系统，包括多个医疗数据收集管理平台、医疗数据通信模块和医疗数据诊断平台，所述医疗数据收集管理平台通过汇聚节点接收各监测节点的医疗数据进行管理，并通过医疗数据通信模块将医疗数据传送至医疗数据诊断平台；所述医疗数据诊断平台为大型医院或中心医院，用于对收集的医疗数据进行设备检测和专家诊断，生成诊断结果发送给所述医疗数据收集管理平台。该专利存在以下问题：

(1)监测节点和汇聚节点间无验证机制，非法节点可通过拦截数据包伪装成汇聚节点从而收集各监测节点的数据；

(2)直接发送医疗数据存在医疗数据隐私问题。

(3)医疗诊断平台集中对收集的数据进行人工检测和诊断，增加了其相关人员的工作压力。

因此，如何安全可靠地实现碎片化数据的共享与整合，得到更加优质的机器学习模型，是一个亟待解决的问题。

发明内容

为了解决上述背景技术中所提到的问题，本发明的目的在于提供一种基于联邦学习的心脏病辅助诊断系统，能够在保证参与者本地数据隐私安全的同时，解决医疗数据孤岛问题，更加高效准确地对心脏病进行辅助诊断。

为了实现上述目的，本发明采用了如下技术方案：

一种基于联邦学习的心脏病辅助诊断系统，包括联邦学习服务端和联邦学习客户端；

所述联邦学习服务端为医疗云服务中心，作为联邦学习的组织协调方，配置有用于诊断心脏病的预测模型；包括初始化模块、模型参数收集模块和模型参数聚合模块；

所述联邦学习客户端为医疗机构，作为联邦学习的主体参与者，同联邦学习服务端，提供模型训练服务及疾病诊断服务；包括数据提取模块、数据预处理模块、协作初始化模块、模型训练模块、加密上传模块和模型预测模块。

所述的初始化模块，初始化联邦学习所需要的相关参数，具体包括：

S11：生成公钥和私钥对{pk,sk}；

S111：随机选择两个长度相等的大素数p、q和整数g，

S112：计算n＝p*q，λ＝lcm(p-1,q-1)，其中lcm函数用于计算最小公倍数；

S113：定义函数计算μ＝(L(g^λmodn²))^-1mod n；

S114：得到生成的公钥pk＝(n,g)，私钥sk＝(λ,μ)。

S12：处理联邦学习客户端的协作申请，更新各客户端的样本数量n；