Trustworthy Blockchain-based Federated Learning for Electronic Health Records: Securing Participant Identity with Decentralized Identifiers and Verifiable Credentials

Resumen Técnico: Aprendizaje Federado Basado en Blockchain Confiable para Registros de Salud Electrónicos

Planteamiento del Problema
La digitalización de la atención médica ha generado vastos repositorios de Registros de Salud Electrónicos (EHR, por sus siglas en inglés), ofreciendo un potencial significativo para el entrenamiento de modelos de Inteligencia Artificial (IA). Sin embargo, las estrictas regulaciones de privacidad, como el GDPR y la HIPAA, han creado silos de datos que impiden el entrenamiento centralizado. El Aprendizaje Federado (FL) ha surgido como una solución para permitir el entrenamiento colaborativo de modelos sin compartir los datos brutos. A pesar de su naturaleza de preservación de la privacidad, el FL en el sector salud sigue siendo vulnerable a amenazas de seguridad críticas, específicamente a los ataques de envenenamiento (donde actores malintencionados inyectan gradientes corruptos) y a los ataques Sybil (donde los adversarios crean múltiples identidades falsas para influir en el mecanismo de consenso).

Los enfoques actuales de Blockchain-based FL (BFL) intentan mitigar estos riesgos, pero dependen predominantemente de sistemas de reputación probabilísticos post-hoc. Estos sistemas establecen la confianza de manera reactiva basándose en la calidad estadística de los gradientes enviados o en el comportamiento histórico. Este enfoque crea un problema de "arranque en frío" (cold start) para las nuevas instituciones legítimas y no logra prevenir a adversarios sofisticados que construyen reputación antes de lanzar ataques. Crucialmente, las soluciones existentes carecen de una verificación de identidad criptográfica a priori, lo que deja a la red abierta a participantes no autorizados que se hacen pasar por entidades de salud legítimas.

Metodología y Arquitectura Propuesta
El artículo propone un marco de Aprendizaje Federado Basado en Blockchain Confiable (TBFL) que desplaza el modelo de confianza de "confianza en el comportamiento" hacia "confianza en la identidad" mediante la integración de estándares de Identidad Autosoberana (SSI). La arquitectura consta de tres capas sinérgicas:

1. Capa de Identidad (Infraestructura SSI):

   • Identificadores Descentralizados (DIDs): Cada entidad participante (hospitales, laboratorios) genera un DID globalmente único vinculado a un par de claves pública-privada, asegurando la autosoberanía sin una autoridad central.
   • Credenciales Verificables (VCs): Emisores de confianza (por ejemplo, Ministerios de Salud, juntas de licencias) verifican las credenciales institucionales del mundo real fuera de la cadena (off-chain) y emiten VCs criptográficamente firmadas. Estas credenciales atestiguan atributos específicos (por ejemplo, "Centro de Trauma de Nivel III con Licencia") e incluyen metadatos para expiración y revocación.

2. Capa de Coordinación (Control de Acceso por Blockchain):

   • Contratos Inteligentes: Un contrato inteligente basado en Ethereum actúa como un guardián determinista. Mantiene un registro de los DIDs autorizados y su estado de autorización.
   • Protocolo de Verificación: Antes de que un participante pueda enviar una actualización del modelo, el contrato inteligente verifica su Presentación Verificable (derivada de su VC). Comprueba la firma del Emisor, la validez de la credencial y el estado de revocación. Solo los DIDs autorizados son añadidos a la lista blanca para una ronda de entrenamiento específica.
   • Eficiencia: Para evitar altos costos de transacción, el sistema no almacena los pesos del modelo en la cadena. En su lugar, los modelos locales se almacenan en IPFS (Sistema de Archivos Interplanetario) y solo se envía el Identificador de Contenido (CID) y una firma digital a la blockchain.

3. Capa de Aprendizaje (Entrenamiento con Preservación de la Privacidad):

   • Algoritmo: El marco utiliza FedProx, una variante robusta de Promedio Federado (Federated Averaging) que añade un término proximal para manejar la heterogeneidad estadística (datos No-IID) común en la atención médica.
   • Manejo de Datos: El estudio utiliza el conjunto de datos MIMIC-IV (546,028 admisiones). Los datos se particionan entre 10 clientes utilizando una distribución de Dirichlet para simular condiciones No-IID. Se aplica un algoritmo SMOTE-Tomek localmente para abordar el desequilibrio de clases en la predicción de mortalidad sin filtrar datos.

Contribuciones Clave

1. Identificación de la Brecha de Autenticación: Los autores analizan sistemáticamente los esquemas de BFL actuales, identificando la dependencia de la reputación conductual en lugar de la identidad criptográfica como una vulnerabilidad primaria que permite ataques Sybil y de envenenamiento.
2. Arquitectura TBFL Centrada en la Identidad: El diseño e implementación de un marco que restringe estrictamente la participación a la verificación de Credenciales Verificables. Esto asegura que solo proveedores de salud autenticados y autorizados puedan enviar actualizaciones.
3. Integración Fluida de DIDs y Contratos Inteligentes: La demostración de cómo los DIDs pueden integrarse con contratos inteligentes de Ethereum para verificar la legitimidad institucional antes del proceso de agregación computacionalmente intensivo, optimizando tanto la seguridad como la eficiencia.

Resultados Experimentales
El marco fue evaluado durante 100 rondas de entrenamiento global utilizando el conjunto de datos MIMIC-IV para la predicción de mortalidad intrahospitalaria.

• Desempeño de Seguridad: El marco TBFL logró neutralizar el 100% de los ataques Sybil simulados. En un experimento comparativo, un sistema base no protegido sufrió una caída del 12.3% en la precisión cuando fue atacado, mientras que el sistema TBFL mantuvo la estabilidad. El contrato inteligente rechazó todos los intentos de envío no autorizados.
• Utilidad Clínica: El modelo global alcanzó un desempeño predictivo robusto con un AUC de 0.954 y un Recall de 0.890. El modelo demostró una estrategia conservadora y orientada a la seguridad, identificando eficazmente a pacientes de alto riesgo (minimizando los Falsos Negativos) mientras mantenía la estabilidad a través de distribuciones de datos heterogéneas.
• Sobrecarga Operativa: La integración de la verificación por blockchain introdujo una sobrecarga computacional insignificante (<0.12%). El paso de verificación añadió aproximadamente 0.02 segundos por ronda en comparación con los 17 segundos del entrenamiento local.
• Viabilidad Económica: El costo operativo total para 100 rondas de entrenamiento en la red de prueba de Ethereum fue de aproximadamente $18. La estructura de costos es estrictamente lineal e invariable a la complejidad del modelo porque solo se almacenan hashes de longitud fija en la cadena.

Significancia y Reivindicaciones
El artículo afirma que el marco TBFL proporciona un ecosistema seguro, escalable y económicamente viable para la colaboración de datos de salud interinstitucionales. Al anclar la confianza en la verificación de la identidad criptográfica en lugar de patrones de comportamiento, el marco cambia fundamentalmente el paradigma de seguridad de la detección reactiva de amenazas a la prevención proactiva de amenazas.

Los autores aseguran que este enfoque resuelve la tensión entre la utilidad de los datos y la protección de la privacidad al garantizar que solo entidades verificadas puedan contribuir, evitando así que nodos no autorizados influyan en el modelo global. El estudio concluye que esta arquitectura ofrece una base sólida para la inteligencia médica colaborativa que cumple con los estándares regulatorios (GDPR, HIPAA) y es resiliente contra ataques adversarios sofisticados, sin comprometer el desempeño clínico ni imponer costos prohibitivos.