Reputation-Driven Federated Learning: Enhancing Trust in Healthcare Data Sharing with Blockchain

आधुनिक दुनिया में, अस्पताल और अनुसंधान केंद्र रोगियों के बारे में संवेदनशील जानकारी की विशाल मात्रा उत्पन्न करते हैं, जिसमें हृदय की लय से लेकर आनुवंशिक कोड तक शामिल हैं। कृत्रिम बुद्धिमत्ता (AI) को बीमारियों को जल्दी पहचानने और उनका बेहतर इलाज करने के लिए प्रशिक्षित करने हेतु इस डेटा को साझा करना आवश्यक है, लेकिन ऐसा करने में एक भारी जोखिम भी है: यदि कच्चा डेटा अस्पताल के सुरक्षित सर्वर से बाहर जाता है, तो एक रोगी की गोपनीयता भंग हो सकती है। वर्षों से, वैज्ञानिक एक मध्य मार्ग की तलाश कर रहे हैं। एक आशाजनक दृष्टिकोण जिसे 'फेडरेटेड लर्निंग' कहा जाता है, एक ऐसी विधि है जहाँ एक केंद्रीय कंप्यूटर कई अलग-अलग अस्पतालों से उनके अपने स्थानीय डेटा का उपयोग करके एक साझा कृत्रिम बुद्धिमत्ता मॉडल को प्रशिक्षित करने के लिए कहता है। अस्पताल अपने निजी रोगी रिकॉर्ड केंद्रीय कंप्यूटर को कभी नहीं भेजते; वे केवल वे गणितीय अपडेट भेजते हैं जो मॉडल ने सीखे हैं। हालाँकि, यह प्रणाली विश्वास पर निर्भर करती है। यदि कोई अस्पताल बेईमान है या उसका कंप्यूटर समझौता किया गया (compromised) है, तो वह एक ऐसा दूषित अपडेट भेज सकता है जो पूरे मॉडल को खराब कर दे, या इससे भी बुरा, अन्य रोगियों के बारे में जानकारी चुरा ले। इसे हल करने के लिए, शोधकर्ता ब्लॉकचेन की ओर मुड़ रहे हैं, जो एक डिजिटल लेज़र तकनीक है जो लेनदेन को दर्ज करने की अपनी क्षमता के लिए जानी जाती है, जिससे यह स्थायी, पारदर्शी और बिना पता चले परिवर्तन करना असंभव होता है। इन दोनों तकनीकों को जोड़कर, वैज्ञानिक एक ऐसी प्रणाली बनाने का लक्ष्य रखते हैं जहाँ डेटा निजी रहता है, लेकिन प्रत्येक प्रतिभागी के व्यवहार की निगरानी और सत्यापन किया जाता है।

कैमेरिनो विश्वविद्यालय और मिलान विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक नया आर्किटेक्चर प्रस्तावित किया है जो इन अवधारणाओं को एक सुरक्षित ढांचे में बुनता है। उनका कार्य एक विशिष्ट समस्या पर केंद्रित है: यह सुनिश्चित करना कि केवल भरोसेमंद अस्पताल ही इन साझा मॉडलों को प्रशिक्षित करने में भाग लें, और किसी भी दुर्भावनापूर्ण (malicious) प्रतिभागी को तुरंत पहचान कर बाहर निकाला जा सके। उन्होंने एक ऐसी प्रणाली बनाई है जहाँ एक 'परमिशनड ब्लॉकचेन' केंद्रीय प्राधिकरण के रूप में कार्य करती है, लेकिन केवल रिकॉर्ड संग्रहीत करने के बजाय, यह सक्रिय रूप से प्रबंधित करती है कि प्रशिक्षण प्रक्रिया में शामिल होने की अनुमति किसे है। यह प्रणाली 'एट्रीब्यूट-बेस्ड एक्सेस कंट्रोल' नामक एक विधि का उपयोग करती है, जो एक गतिशील सुरक्षा गार्ड की तरह कार्य करती है जो दरवाजे से अंदर आने से पहले एक आगंतुक की विशिष्ट क्रेडेंशियल्स—जैसे कि उनकी पहचान, उनके द्वारा संभाले जा रहे डेटा का प्रकार और उनकी पिछली प्रतिष्ठा—की जाँच करता है। इस सेटअप में, ब्लॉकचेन निजी चिकित्सा रिकॉर्ड को संग्रहीत नहीं करता है; वे प्रत्येक अस्पताल के स्थानीय डेटाबेस के भीतर सुरक्षित रूप से बंद रहते हैं। इसके बजाय, ब्लॉकचेन पहुंच के नियमों, प्रतिभागियों की पहचान और उनके द्वारा साझा किए गए मॉडलों के क्रिप्टोग्राफिक फिंगरप्रिंट को संग्रहीत करता है, जिससे पूरी प्रक्रिया पारदर्शी और छेड़छाड़-मुक्त सुनिश्चित होती है।

इस शोध का मुख्य नवाचार यह है कि यह "विश्वास" (trust) की गणना और उपयोग कैसे करता है। एक पारंपरिक प्रणाली में, एक अस्पताल पर केवल इसलिए भरोसा किया जा सकता है क्योंकि वह एक ज्ञात संस्थान है। इस नए ढांचे में, विश्वास एक जीवित संख्या है जो प्रदर्शन के आधार पर बदलती रहती है। शोधकर्ताओं ने एक ऐसी प्रणाली डिजाइन की है जो प्रशिक्षण प्रक्रिया के दौरान प्रत्येक अस्पताल के व्यवहार की निरंतर निगरानी करती है। यह तीन मुख्य चीजों को देखती है: मॉडल अपडेट कितने सटीक हैं, अस्पताल कितनी तेज़ी से प्रतिक्रिया देता है, और उसकी ऐतिहासिक प्रतिष्ठा क्या है। यदि कोई अस्पताल एक ऐसा मॉडल अपडेट भेजता है जो दूसरों से संदिग्ध रूप से भिन्न है, या यदि उसे प्रतिक्रिया देने में असामान्य रूप से लंबा समय लगता है, तो प्रणाली इस व्यवहार को चिह्नित करती है। शोधकर्ताओं ने पचास अस्पतालों के नेटवर्क का अनुकरण (simulation) किया, जिनमें से एक-तिहाई दुर्भावनापूर्ण तत्वों के रूप में कार्य कर रहे थे जो प्रशिक्षण को बाधित करने की कोशिश कर रहे थे। उनके सिमुलेशन में, प्रणाली ने इन बुरे तत्वों को सफलतापूर्वक पहचान लिया। ईमानदार अस्पतालों का ट्रस्ट स्कोर उनके अच्छा प्रदर्शन करने पर बढ़ा, जबकि दुर्भावनापूर्ण तत्वों का ट्रस्ट स्कोर तेजी से गिरा। प्रशिक्षण के कुछ दौरों के भीतर ही, प्रणाली बुरे तत्वों को अलग करने में सक्षम रही, जिससे उन्हें प्रभावी रूप से नेटवर्क से काट दिया गया ताकि वे साझा मॉडल को प्रभावित न कर सकें।

इसे काम करने के योग्य बनाने के लिए, शोधकर्ताओं ने एक दो-भाग वाला डिजिटल इंफ्रास्ट्रक्चर विकसित किया। सबसे पहले, उन्होंने एक स्मार्ट कॉन्ट्रैक्ट सिस्टम बनाया, जो अनिवार्य रूप से ब्लॉकचेन पर एक स्व-निष्पादित कार्यक्रम है, जो पहचान और नीतिगत निर्णयों को संभालने के लिए है। यह कार्यक्रम प्रत्येक अनुरोध की जाँच करता है कि क्या वह सुरक्षा नियमों से मेल खाता है। दूसरा, उन्होंने एक अलग निगरानी प्रणाली बनाई जो बैकग्राउंड में ट्रस्ट स्कोर की गणना करती है। जब कोई अस्पताल प्रशिक्षण कार्य में शामिल होना चाहता है, तो सिस्टम उसके वर्तमान ट्रस्ट स्कोर की सुरक्षा नियमों के विरुद्ध जाँच करता है। यदि स्कोर पर्याप्त रूप से उच्च है, तो अस्पताल को भाग लेने की अनुमति दी जाती है। यदि स्कोर बहुत कम है, शायद पिछले किसी कार्य में अजीब व्यवहार करने के कारण, तो सिस्टम पहुंच से इनकार कर देता है। यह एक 'सेल्फ-क्लीनिंग' नेटवर्क बनाता है जहाँ बुरे व्यवहार को बहिष्करण द्वारा स्वचालित रूप से दंडित किया जाता है, और अच्छे व्यवहार को निरंतर भागीदारी के साथ पुरस्कृत किया जाता है। शोधकर्ताओं ने दस प्रशिक्षण कार्यों के दस इटरेशन चलाकर पचास नोड्स वाले सिम्युलेटेड वातावरण का उपयोग करके इस सेटअप का परीक्षण किया। उन्होंने पाया कि प्रणाली उच्च सटीकता के साथ ईमानदार और दुर्भावनापूर्ण प्रतिभागियों के बीच अंतर कर सकती है, बुरे तत्वों को अलग करते हुए भी अच्छे लोगों को साझा मॉडल को बेहतर बनाने के लिए जारी रखने की अनुमति देती है।

अध्ययन ने यह भी जांचा कि दबाव में यह प्रणाली कैसा प्रदर्शन करती है। शोधकर्ताओं ने यह देखने के लिए हजारों अनुरोध उत्पन्न किए कि ब्लॉकचेन लोड को कैसे संभालता है। उन्होंने पाया कि जब अनुरोधों की संख्या मध्यम थी, तो प्रणाली बहुत अच्छी तरह से काम करती थी, नियमों के आधार पर पहुंच प्रदान करती या अस्वीकार करती थी। हालाँकि, जैसे-जैसे अनुरोधों की संख्या बहुत बड़ी होती गई, प्रणाली धीमी होने लगी, ठीक वैसे ही जैसे एक व्यस्त राजमार्ग पर यातायात जाम के कारण देरी होती है। यह ब्लॉकचेन तकनीक के साथ एक ज्ञात चुनौती है, जहाँ प्रत्येक लेनदेन को सत्यापित करने में समय और कंप्यूटिंग शक्ति लगती है। इस सीमा के बावजूद, परिणामों ने दिखाया कि सुरक्षा लाभ महत्वपूर्ण थे। प्रणाली ने अनधिकृत पहुंच को सफलतापूर्वक रोका और मॉडल प्रशिक्षण की अखंडता बनाए रखी, भले ही डेटा को 'पॉइजन' (विषैला) करने के प्रयास किए गए हों। शोधकर्ताओं ने निष्कर्ष निकाला कि एक्सेस कंट्रोल नियमों में सीधे ट्रस्ट मैनेजमेंट को एकीकृत करके, उन्होंने एक सक्रिय रक्षा तंत्र बनाया है। यह दृष्टिकोण केवल हमलों के होने के बाद प्रतिक्रिया नहीं देता है; यह सुनिश्चित करके हमलों को रोकता है कि केवल वे नोड्स ही सामूहिक बुद्धिमत्ता में योगदान दे सकते हैं जिनका विश्वसनीयता का प्रमाणित ट्रैक रिकॉर्ड है।

अंततः, यह कार्य चिकित्सा डेटा साझाकरण के भविष्य के लिए एक व्यावहारिक मार्ग प्रदान करता है। यह प्रदर्शित करता है कि एक ऐसा सहयोगात्मक नेटवर्क बनाना संभव है जहाँ अस्पताल अपने रोगियों के निजी रिकॉर्ड को प्रकट किए बिना जीवन रक्षक अनुसंधान में योगदान दे सकते हैं। सख्त, पारदर्शी नियमों को लागू करने के लिए ब्लॉकचेन का उपयोग करके और प्रत्येक प्रतिभागी के व्यवहार की निरंतर निगरानी करके, यह प्रणाली एक ऐसा वातावरण बनाती है जहाँ विश्वास को माना नहीं जाता बल्कि सत्यापित किया जाता है। शोधकर्ताओं ने दिखाया कि सही तकनीक के संयोजन के साथ, शोर और दुर्भावना को छानना संभव है, जिससे ज्ञान की एक स्वच्छ, विश्वसनीय धारा बचती है जो डॉक्टरों को बीमारियों का अधिक सटीक रूप से निदान करने और रोगियों का अधिक प्रभावी ढंग से इलाज करने में मदद कर सकती है। सिमुलेशन ने साबित किया कि यह पद्धति काम करती है, जो सुझाव देती है कि वास्तविक दुनिया में, ऐसी प्रणाली लाखों लोगों की गोपनीयता की रक्षा करते हुए चिकित्सा खोज की गति को तेज कर सकती है।