Privacy-Preserving Federated Autoencoder for ECG Anomaly Detection on Edge Devices

Résumé technique : Autoencodeur fédéré respectant la vie privée pour la détection d'anomalies ECG sur des dispositifs de bord (Edge)

Énoncé du problème
La surveillance continue de l'électrocardiographie (ECG) offre le potentiel de détecter les anomalies de rythme avant qu'elles ne dégénèrent en événements cardiovasculaires. Cependant, le déploiement de tels systèmes dans des contextes cliniques réels fait face à trois défis simultanés et souvent conflictuels :

1. Conformité de la vie privée : Les données ECG des patients sont hautement sensibles au regard de réglementations telles que le RGPD et la HIPAA. La centralisation des données pour l'entraînement est souvent juridiquement interdite. Bien que l'apprentissage fédéré (Federated Learning - FL) maintienne les données localement, il reste vulnérable aux attaques par inversion de gradient et par inférence d'appartenance.
2. Efficacité en périphérie (Edge) : Les dispositifs de surveillance continue sont généralement des ressources contraintes (par exemple, basés sur ARM Cortex-A, tels que le Raspberry Pi 4). Les modèles doivent être suffisamment petits et rapides pour l'inférence en temps réel, tout en étant capables de supporter la quantification, bien que les techniques de quantification standard n'aient pas été validées pour la fidélité de reconstruction fine requise par la détection d'anomalies non supervisée.
3. Efficacité de la détection : Les modèles doivent maintenir une haute qualité de détection lors d'un entraînement sur des données non-IID (non indépendantes et identiquement distribuées) provenant de différents hôpitaux, un scénario courant dans la santé distribuée.

La littérature existante traite souvent ces problèmes de manière isolée ou se concentre sur la classification supervisée, laissant un vide concernant la détection d'anomalies non supervisée basée sur la reconstruction qui satisfait simultanément des garanties formelles de confidentialité, des contraintes de déploiement en périphérie et une robustesse face au non-IID.

Méthodologie
Les auteurs proposent et évaluent un système fédéré de bout en bout conçu pour la détection d'anomalies ECG à 12 dérivations non supervisée sur le jeu de données PTB-XL. Le pipeline intègre quatre composantes clés :

1. Apprentissage Fédéré (FL) : Le système simule dix hôpitaux (clients) en utilisant une distribution de Dirichlet ($\alpha=0,5$) pour créer un partitionnement non-IID de 6 294 échantillons d'ECG normaux. Un serveur central agrège les mises à jour du modèle via l'algorithme Federated Averaging (FedAvg) sur 50 cycles.
2. Architectures de Modèles : Trois familles d'autoencodeurs sont évaluées :
   • VanillaAE : Couches entièrement connectées.
   • ConvAE : Encodeur/décodeur convolutionnel 1D avec GroupNorm.
   • VAE : Autoencodeur variationnel avec une astuce de reparamétrage.
     Tous les modèles sont entraînés pour reconstruire la morphologie cardiaque normale ; les anomalies sont signalées sur la base d'une erreur de reconstruction élevée (MSE).
3. Confidentialité Différentielle (DP) : Pour empêcher les fuites de confidentialité lors du partage des mises à jour, le système utilise la descente de gradient stochastique différentiellement privée (DP-SGD) côté client. Les gradients par échantillon sont tronqués (norme $L_2$ $C=1,0$) et un bruit gaussien est injecté. Le système utilise un comptable de la DP de Rényi pour suivre le budget de confidentialité ($\epsilon, \delta$), avec $\delta$ fixé à $10^{-5}$.
4. Déploiement en périphérie et Quantification : Les meilleurs modèles en virgule flottante 32 bits (FP32) subissent une quantification post-entraînement (PTQ) en entiers 8 bits (INT8) sans réentraînement. Les modèles finaux sont testés sur un Raspberry Pi 4 (architecture AArch64) pour mesurer la latence et l'efficacité énergétique.

Contributions Clés
L'article affirme être le premier travail évaluant l'intersection de l'apprentissage fédéré, de la DP formelle $(\epsilon, \delta)$, de la détection d'anomalies non supervisée basée sur la reconstruction et du déploiement quantifié sur AArch64 pour les données ECG. Les contributions spécifiques incluent :

• Caractérisation empirique de la composition : L'étude démontre comment le FL, la DP et la quantification interagissent. Crucialement, elle constate que les pénalités de performance de la DP et de la quantification sont empirquement indépendantes, permettant aux praticiens d'activer les deux simultanément sans dégradation multiplicative.
• Analyse du compromis Confidentialité-Utilité : À travers un balayage de $\epsilon$ en cinq points, les auteurs identifient $\epsilon=4$ comme un point de fonctionnement recommandé pour les données cliniques. Ils observent un « plancher d'utilité » à un AUROC $\approx 0,610$ ; en dessous de $\epsilon=4$, le bruit du gradient submerge le signal de reconstruction, provoquant la convergence du modèle vers une cartographie triviale.
• Validation de l'efficacité en périphérie : La quantification INT8 réduit la taille du modèle d'environ 53 % et diminue la latence d'inférence sur Raspberry Pi ara de 16,6 % à 44,3 % (un gain de vitesse de 1,20–1,80$\times$) avec une perte d'exactitude négligeable (<0,12 % de dégradation de l'AUROC).
• La Fédération comme Régularisation : Dans une découverte contre-intuitive, l'entraînement fédéré a considérablement amélioré les performances de l'architecture VAE (+0,165 AUROC) par rapport à sa ligne de base centralisée. Les auteurs attribuent cela au fait que les mises à jour clients non-IID agissent comme une régularisation implicite, empêchant l'« effondrement de l'a posteriori » (posterior collapse) observé dans le VAE centralisé.

Résultats

• Qualité de Détection : Le ConvAE fédéré a obtenu la performance la plus élevée avec un AUROC de 0,782, égalant ou dépassant les lignes de base centralisées pour toutes les architectures.
• Impact de la Confidentialité : Une confidentialité plus forte ( $\epsilon$ plus faible) dégrade monotoniquement la performance. À $\epsilon=1$, la performance atteint le plancher d'utilité. À $\epsilon=4$, le système maintient un AUROC d'environ 0,610–0,640 (selon l'architecture) tout en doublant la garantie de confidentialité formelle par rapport à $\epsilon=8$.
• Métriques de Déploiement : La configuration recommandée (ConvAE INT8) a atteint un AUROC de 0,787 avec une taille de modèle de 2,76 Mo et une latence d'inférence de 14,1 ms sur un Raspberry Pi 4, consommant environ 56 mJ par inférence.
• Performance par Classe : En tant que détecteur à classe unique non supervisé, le système a montré des valeurs d'AUROC proches de 0,50 pour certaines classes anormales (MI, STTC, HYP, CD), confirmant son rôle d'outil de dépistage plutôt que de classificateur diagnostique spécifique. L'hypertrophie (HYP) était la classe la plus difficile à distinguer.

Signification et Revendications
L'article positionne ce travail comme une étape critique vers des systèmes de surveillance cardiaque déployables, éthiques et pratiques.

• Nécessité Éthique : Les auteurs soutiennent que pour les données quasi-biométriques comme l'ECG, les garanties de confidentialité formelles (DP) sont un prérequis, et non un ajout, pour prévenir la ré-identification via des attaques de gradient.
• Viabilité Pratique : En prouvant que les configurations de haute confidentialité ($\epsilon=4$) et de haute efficacité (INT8) peuvent coexister sans pénalités cumulatives, le système offre une voie viable pour le dépistage en temps réel à l'échelle de la population sur des dispositifs de bord.
• Limitation de la Portée : Les auteurs précisent modestement que le système est conçu pour le dépistage et le triage afin de signaler des anomalies potentielles pour examen par un cardiologue, et non comme un outil de diagnostic autonome pour des conditions spécifiques. Ils reconnaissent les limites concernant l'utilisation d'un seul jeu de données (PTB-XL), le partitionnement non-IID simulé et l'hypothion d'un serveur « honnête mais curieux », notant que l'agrégation sécurisée et la validation sur d'autres jeux de données sont des étapes futures nécessaires.