Clinical Equivalence of Privacy-Preserving Federated Learning: A Consortium Blockchain Framework with Equivalence Testing

Resumen Técnico: Equivalencia Clínica del Aprendizaje Federado con Preservación de la Privacidad

Planteamiento del Problema
Los hospitales buscan los beneficios del Aprendizaje Federado (FL)—entrenamiento colaborativo de modelos sin compartir registros de pacientes reales—pero enfrentan una incertidumbre crítica: ¿la adición de mecanismos de preservación de la privacidad (cifrado, ruido) y el consenso de blockchain degrada la utilidad clínica de los modelos resultantes? La literatura actual suele reportar caídas en la precisión (por ejemplo, del 86.4% al 83.8%) y señala que son "pequeñas", pero no aborda si tales caídas son clínicamente aceptables. Además, las pruebas estadísticas estándar (verificar la "ausencia de diferencia significativa") son insuficientes; un resultado no significativo puede indicar simplemente una falta de potencia estadística en lugar de una verdadera equivalencia. El artículo sostiene que la decisión de despliegue requiere una afirmación estadística rigurosa de equivalencia clínica, no meramente la ausencia de una diferencia detectada.

Metodología
Los autores proponen un marco modular de Aprendizaje Federado con Blockchain de Consorcio (B-FL) diseñado para integrar tres líneas de defensa manteniendo la utilidad clínica. El sistema está construido sobre Hyperledger Fabric utilizando consenso PBFT (Practical Byzantine Fault Tolerance).

1. Arquitectura: El marco consta de seis capas:

   • Capa de Cliente: Las instituciones entrenan localmente en conjuntos de datos privados.
   • Capa de Protección de la Privacidad: Aplica Privacidad Diferencial (DP) Gaussiana Submuestreada con contabilidad de Renyi (recorte de gradientes y adición de ruido Gaussiano) seguido de Cifrado Homomórfico (HE) BFV para la agregación segura.
   • Capa de Confianza de Blockchain: Ejecuta consenso PBFT y una suite de Contratos Inteligentes de seis funciones para la detección de anomalías en tiempo real y la calificación de reputación.
   • Capa de Agregación Segura: Computa el FedAvg ponderado por reputación sobre textos cifrados.
   • Almacenamiento Distribuido: Utiliza IPFS para puntos de control de modelos fuera de la cadena (off-chain), referenciados por hashes en la cadena (on-chain).
   • Distribución de Modelo Global: Devuelve el modelo actualizado.

2. Mecanismo de Integridad: Los contratos inteligentes realizan la detección de anomalías en las actualizaciones protegidas por DP (antes del cifrado) mediante dos puertas:

   • Puerta Direccional: Similitud de coseno entre la actualización y el modelo global (umbral $\tau = 0.8$).
   • Puerta de Magnitud: Rechazo de valores atípicos de norma (media $\pm$ 3 desviaciones estándar).
   • Calificación de Reputación: Una media móvil exponencial actualiza la reputación del cliente basada en la aceptación, ponderando la agregación final.

3. Configuración Experimental:

   • Conjuntos de Datos: MIMIC-III (predicción de mortalidad intrahospitalaria) y base de datos de radiografía de COVID-19.
   • Condiciones: 20 instituciones simuladas bajo condiciones realistas de no-IID (sesgo de etiquetas).
   • Ataques: Escalamiento de gradientes, ataques de puerta trasera (backdoor), ruido aleatorio y free-riding (20% de clientes maliciosos).
   • Protocolo Estadístico: El estudio emplea Pruebas de Una Sola Cara Dos (TOST) con un margen de equivalencia del 3% predefinido (derivado del consenso clínico sobre diferencias mínimas clínicamente importantes). Esto evalúa si el rendimiento del modelo asegurado se encuentra dentro del intervalo $[-3\%, +3\%]$ respecto a la línea base del FL estándar. Se aplica la corrección de Holm–Bonferroni para comparaciones múltiples.

Contribuciones Clave

1. Protocolo de Prueba de Equivalencia: Un marco estadísticamente riguroso utilizando TOST para determinar si la IA clínica con preservación de la privacidad está "lista para la cabecera del paciente", yendo más allá de las simples comparaciones de precisión.
2. Arquitectura Integrada: Un sistema B-FL modular que combina con éxito DP, HE y validación por blockchain bajo PBFT, abordando la brecha donde estas tecnologías suelen estudiarse de forma aislada.
3. Validación Empírica: Evaluación en dos referentes clínicos reales (MIMIC-III y COVID-19) con particionamiento no-IID, demostrando que la fuerte privacidad y seguridad pueden coexistir con la utilidad clínica.
4. Modelado de Amenazas: Un mapeo formal de amenazas (envenenamiento, filtración de gradientes, free-riding) a mecanismos de mitigación específicos (DP/HE para confidencialidad, contratos inteligentes para integridad).
5. Análisis de Escalabilidad: Demostración de que la sobrecarga de blockchain es modesta y escala de forma sublineal con el tamaño del consorcio.

Resultos

• Equivalencia Clínica: El marco totalmente asegurado (DP + HE + Blockchain) se situó solo 2.6 puntos porcentuales por debajo de la precisión del FL estándar en COVID-19 y 2.5 puntos en el AUROC de MIMIC-III. Ambas diferencias cayeron dentro del margen de equivalencia del 3% ($p < 0.001$; Cohen's $d = 0.18$ y $0.21$). Los autores concluyen que el modelo asegurado es clínicamente equivalente al original.
• Robustez Adversaria: Contra ataques de escalamiento de gradientes con 20% de clientes maliciosos, la validación en cadena detectó el 94.3% de las actualizaciones envenenadas, mientras que marcó erróneamente solo el 2.1% de las actualizaciones honestas.
• Estudio de Ablación: La validación por blockchain por sí sola detectó aproximadamente el 79% de los ataques. La adición de DP y HE no detectó ataques directamente, pero regularizó la distribución de las actualizaciones honestas, agudizando las puertas de detección de anomalías y elevando la detección al 94.3%.
• Sobrecarga: La sobrecarga de blockchain fue de aproximadamente 1.8 segundos por ronda (11.9% del tiempo total), siendo el entrenamiento local el componente que domina el costo. El análisis de escalabilidad mostró un ajuste de crecimiento sublineal ($T(n) \approx 4.1 n^{0.62}$).

Significancia y Afirmaciones
El artículo afirma que la fuerte privacidad, seguridad y alineación regulatoria pueden coexistir con la utilidad clínica en el aprendizaje federado de salud. La principal contribución metodológica es la demostración de que la prueba de equivalencia ofrece un estándar riguroso y reutilizable para evaluar la IA clínica con preservación de la privacidad.

Los autores enfatizan que sus resultados permiten una "afirmación positiva de equivalencia" en lugar de un hallazgo más débil de "no hay diferencia significativa". Aseguran que el marco es adecuado para consorcios de tamaño medio (20–50 hospitales) y se alinea con los estándares regulatorios (HIPAA, GDPR) al garantizar que ninguna información de salud protegida (PHI) salga de los cortafuegos institucionales, utilizando privacidad diferencial y almacenando únicamente hashes en la cadena. Sin embargo, señalan modestamente que, aunque la precisión y el AUROC son equivalentes, la calibración y la equidad de subgrupos requieren una evaluación separada, y la seguridad del sistema depende de la suposición de que menos de $n/3$ validadores son defectuosos.