Privacy Preserving Disease Prediction Across Multiple Hospitals Using CKKS Based Homomorphic Federated Learning

En el mundo moderno de la medicina, la capacidad de un médico para predecir la salud futura de un paciente a menudo depende de la amplitud de los datos que pueda ver. Los algoritmos de aprendizaje automático, los programas informáticos que aprenden de patrones, se están convirtiendo en herramientas poderosas para detectar riesgos como las reingresos hospitalarios o la progresión de enfermedades. Sin embargo, estas herramientas son tan buenas como la información con la que se alimentan. El problema es que esta información —registros médicos electrónicos que contienen detalles sensibles sobre los pacientes— está dispersa en miles de hospitales, guardada bajo estrictas leyes de privacidad y reglas institucionales. Los hospitales no pueden simplemente compartir sus archivos brutos de pacientes con una autoridad central para construir un mejor modelo sin violar la confianza del paciente y las regulaciones legales.

Para resolver esto, los investigadores han desarrollado un método llamado aprendizaje federado. Imagine a un grupo de chefs que cada uno tiene una receta familiar secreta. En lugar de enviar sus recetas a una cocina central donde podrían ser robadas o copiadas, acuerdan cocinar sus platos localmente y enviar solo el sabor final a un juez central. El juez combina estos sabores para crear una receta maestra, que luego se envía de vuelta a los chefs para su próximo intento. En esta versión digital, las "recetas" son los datos, los "chefs" son los hospitales y el "sabor" es la actualización matemática del modelo informático. Los datos brutos de los pacientes nunca abandonan el hospital. Sin embargo, incluso este método tiene un fallo: el "sabor" enviado de vuelta puede, a veces, revelar demasiado sobre los ingredientes específicos utilizados, permitiendo que un observador curioso adivine qué pacientes estaban en el conjunto de entrenamiento. Para solucionar esto, los científicos están explorando ahora una técnica llamada cifrado homomórfico, que permite realizar cálculos sobre datos que permanecen encerrados en una caja fuerte digital, asegurando que incluso la persona que realiza la combinación no pueda ver los números brutos.

Un equipo de investigadores de la Escuela de Ingeniería del MIT en Pune, India, puso recientemente este concepto a prueba en un entorno simulado diseñado para imitar una red de diez hospitales. Su objetivo era ver si podían construir un modelo de aprendizaje automático para predecir si un paciente con diabetes sería readmitido en el hospital dentro de los treinta días, todo ello manteniendo los datos de los pacientes completamente ocultos y las actualizaciones del modelo cifradas. Utilizaron un tipo específico de cerradura digital conocido como CKKS, que permite realizar matemáticas aproximadas sobre números cifrados, una característica necesaria porque los datos médicos a menudo implican decimales y fracciones en lugar de solo números enteros.

Los investigadores configuraron un experimento virtual utilizando un conjunto de datos públicos que contenía registros de 130 hospitales reales, el cual dividieron en diez fragmentos separados para representar diez instituciones diferentes. Cada hospital virtual entrenó su propia versión del modelo de predicción con sus datos locales. En un escenario estándar y no cifrado, estos hospitales enviarían sus actualizaciones de modelo directamente a un servidor central. En este nuevo experimento, sin embargo, los hospitales primero encerraron sus actualizaciones dentro de una caja fuerte digital utilizando el método CKKS. El servidor central, actuando como un coordinador honesto pero curioso, recibió estos paquetes bloqueados. Realizó las matemáticas para promediarlos sin haber desbloqueado nunca las contribuciones individuales. Solo después de que se completó el promedio, el resultado final se envió a una parte de confianza para ser desbloqueado y utilizado para actualizar el modelo global.

Los resultados de este experimento revelaron un compromiso claro y difícil entre la privacidad y el rendimiento. Cuando los investigadores ejecutaron la misma tarea sin cifrado, el sistema fue increíblemente efectivo, identificando correctamente los riesgos de readmisión con un alto grado de precisión. El modelo aprendió rápidamente y produjo predicciones fiables. Sin embargo, en este estado no cifrado, el sistema era vulnerable; un atacante podría observar las actualizaciones y adivinar con éxito si los datos de un paciente específico habían formado parte del entrenamiento, rompiendo efectivamente la promesa de privacidad.

Cuando los investigadores activaron el cifrado, la protección de la privacidad funcionó exactamente como se esperaba para la vía de ataque específica estudiada. El sistema redujo la capacidad de un atacante para adivinar si los datos de un paciente estaban en el entrenamiento al nivel del azar, logrando una tasa de éxito de exactamente el cincuenta por ciento, que es lo mismo que lanzar una moneda. Este hallazgo es consistente con la protección del protocolo evaluado contra un servidor honesto pero curioso, aunque no es una garantía de inmunidad ante todos los ataques de privacidad o todas las condiciones adversas. Los datos del hospital permanecieron verdaderamente privados, y el servidor central no vio más que números bloqueados.

Sin embargo, esta privacidad tuvo un costo significativo. El sistema cifrado era mucho más lento y requería enviar mucha más información a través de la red. El tamaño de los paquetes de datos enviados desde cada hospital creció por un factor de veinticuatro, lo que significa que el tráfico de comunicación saltó de unos 3 megabytes a casi 38 megabytes por cada ronda de entrenamiento. Además, el poder predictivo del modelo disminuyó notablemente. Mientras que el modelo no cifrado logró una puntuación alta para identificar correctamente las readmisiones, la versión cifrada tuvo dificultades, y su capacidad para distinguir entre pacientes que regresarían y los que no cayó a un nivel que, si bien era mejor que el azar, era mucho menos útil para la toma de decisiones clínicas. El modelo también tardó más en estabilizarse, mostrando un comportamiento más errático mientras intentaba aprender de los datos bloqueados.

El estudio concluye que, si bien es técnicamente posible construir un sistema de preservación de la privacidad para la predicción de enfermedades en múltiples hospitales utilizando este método, aún no es una solución perfecta. La tecnología detiene con éxito las filtraciones de privacidad específicas que los investigadores probaron, pero lo hace haciendo que el sistema sea mucho más pesado y menos preciso. Los investigadores encontraron que, para esta configuración específica, la pérdida en la calidad predictiva y el enorme aumento en los requisitos de transmisión de datos son obstáculos sustanciales. Sugieren que, para que este enfoque sea útil en el mundo real, el trabajo futuro debe centrarse en reducir el tamaño de los datos cifrados y mejorar la capacidad del modelo para aprender eficazmente a pesar de los cerrojos digitales. Hasta entonces, la elección entre un modelo altamente preciso que pone en riesgo la privacidad y un modelo perfectamente privado que es menos preciso sigue siendo un equilibrio difícil de alcanzar para las instituciones sanitarias.