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

Sintesi Tecnica: Apprendimento Federato basato su Blockchain Affidabile per le Cartelle Cliniche Elettroniche

Problematica
La digitalizzazione dell'assistenza sanitaria ha generato vasti depositi di Cartelle Cliniche Elettroniche (EHR), offrendo un potenziale significativo per l'addestramento di modelli di Intelligenza Artificiale (IA). Tuttavia, le rigorose normative sulla privacy, come il GDPR e l'HIPAA, hanno creato silos di dati che impediscono l'addestramento centralizzato. L'Apprendimento Federato (FL) è emerso come una soluzione per consentire l'addestramento collaborativo dei modelli senza condividere i dati grezzi. Nonostante la sua natura orientata alla preservazione della privacy, l'FL in ambito sanitario rimane vulnerabile a critiche minacce alla sicurezza, specificamente agli attacchi di avvelenamento (dove attori malevoli iniettano gradienti corrotti) e agli attacchi Sybil (dove gli avversari creano molteplici identità false per influenzare il meccanismo di consenso).

Gli attuali approcci di Blockchain-based FL (BFL) tentano di mitigare questi rischi ma si affidano prevalentemente a sistemi di reputazione probabilistici post-hoc. Questi sistemi stabiliscono la fiducia in modo reattivo sulla base della qualità statistica dei gradienti inviati o del comportamento storico. Tale approccio crea un problema di "cold start" per le nuove istituzioni legittime e non riesce a prevenire avversari sofisticati che costruiscono una reputazione prima di lanciare gli attacchi. Fondamentalmente, le soluzioni esistenti mancano di una verifica dell'identità crittografica a priori, lasciando la rete esposta a partecipanti non autorizzati che si travestono da legittime entità sanitarie.

Metodologia e Architettura Proposta
Il documento propone un framework di Apprendimento Federato su Blockchain Affidabile (TBFL) che sposta il modello di fiducia dalla "fiducia nel comportamento" alla "fiducia nell'identità" integrando gli standard di Self-Sovereign Identity (SSI). L'architettura è composta da tre livelli sinergici:

1. Livello di Identità (Infrastruttura SSI):

   • Identificatori Decentralizzati (DID): Ogni entità partecipante (ospedali, laboratori) genera un DID globalmente unico collegato a una coppia di chiavi pubblica-privata, garantendo la sovranità propria senza un'autorità centrale.
   • Credenziali Verificabili (VC): Emittenti fidati (es. Ministeri della Salute, albi professionali) verificano le credenziali istituzionali nel mondo reale off-chain e rilasciano VC firmate crittograficamente. Queste credenziali attestano attributi specifici (es. "Centro di Trauma di Livello III Autorizzato") e includono metadati per la scadenza e la revoca.

2. Livello di Coordinamento (Controllo degli Accessi via Blockchain):

   • Smart Contract: Uno smart contract basato su Ethereum funge da gatekeeper deterministico. Mantiene un registro di DID autorizzati e del loro stato di autorizzazione.
   • Protocollo di Verifica: Prima che un partecipante possa sottomettere un aggiornamento del modello, lo smart contract verifica la loro Verifiable Presentation (derivata dalla loro VC). Controlla la firma dell'Emittente, la validità della credenziale e lo stato di revoca. Solo i DID autorizzati vengono aggiunti alla whitelist per un determinato round di addestramento.
   • Efficienza: Per evitare elevati costi di transazione, il sistema non memorizza i pesi del modello on-chain. Invece, i modelli locali sono memorizzati su IPFS (InterPlanetary File System), e viene inviato alla blockchain solo il Content Identifier (CID) e una firma digitale.

3. Livello di Apprendimento (Addestramento con Preservazione della Privacy):

   • Algoritmo: Il framework utilizza FedProx, una variante robusta di Federated Averaging che aggiunge un termine prossimale per gestire l'eterogeneità statistica (dati Non-IID) comune in ambito sanitario.
   • Gestione dei Dati: Lo studio utilizza il dataset MIMIC-IV (546.028 ricoveri). I dati sono partizionati tra 10 client utilizzando una distribuzione di Dirichlet per simulare le condizioni Non-IID. Un algoritmo SMOTE-Tomek viene applicato localmente per affrontare lo sbilanciamento delle classi nella previsione della mortalità senza violare la riservatezza dei dati.

Contributi Chiave

1. Identificazione del Gap di Autenticazione: Gli autori analizzano sistematicamente gli attuali schemi BFL, identificando la dipendenza dalla reputazione comportamentale piuttosto che dall'identità crittografica come una vulnerabilità primaria che abilita attacchi Sybil e di avvelenamento.
2. Architettura TBFL orientata all'Identità: La progettazione e l'implementazione di un framework che limita rigorosamente la partecipazione alla verifica delle Credenziali Verificabili. Ciò garantisce che solo fornitori sanitari autenticati e autorizzati possano sottomettere aggiornamenti.
3. Integrazione Fluida di DID e Smart Contract: La dimostrazione di come i DID possano essere integrati con gli smart contract di Ethereum per verificare la legittimità istituzionale prima del processo di aggregazione computazionalmente intensivo, ottimizzando sia la sicurezza che l'efficienza.

Risultati Sperimentali
Il framework è stato valutato su 100 round di addestramento globale utilizzando il dataset MIMIC-IV per la previsione della mortalità in ospedale.

• Performance di Sicurezza: Il framework TBFL ha neutralizzato il 100% degli attacchi Sybil simulati. In un esperimento comparativo, un sistema baseline non protetto ha subito un calo dell'accuratezza del 12,3% durante l'attacco, mentre il sistema TBFL ha mantenuto la stabilità. Lo smart contract ha rifiutato tutti i tentativi di sottomissione non autorizzati.
• Utilità Clinica: Il modello globale ha raggiunto una solida performance predittiva con un AUC di 0,954 e un Recall di 0,890. Il modello ha dimostrato una strategia conservativa e orientata alla sicurezza, identificando efficacemente i pazienti ad alto rischio (minimizzando i Falsi Negativi) pur mantenendo la stabilità attraverso distribuzioni di dati eterogenee.
• Overhead Operativo: L'integrazione della verifica blockchain ha introdotto un overhead computazionale trascurabile (<0,12%). Il passaggio di verifica ha aggiunto circa 0,02 secondi per round rispetto ai 17 secondi per l'addestramento locale.
• Fattibilità Economica: Il costo operativo totale per 100 round di addestramento sulla testnet di Ethereum è stato di circa $18. La struttura dei costi è strettamente lineare e invariante rispetto alla complessità del modello, poiché solo hash a lunghezza fissa vengono memorizzati on-chain.

Significatività e Rivendicazioni
Il documento afferma che il framework TBFL fornisce un ecosistema sicuro, scalabile ed economicamente sostenibile per la collaborazione inter-istituzionale sui dati sanitari. Ancorando la fiducia nella verifica dell'identità crittografica piuttosto che nei pattern comportamentali, il framework sposta fondamentalmente il paradigma di sicurezza dalla rilevazione reattiva delle minacce alla prevenzione proattiva delle minacce.

Gli autori sostengono che questo approccio risolva la tensione tra utilità dei dati e protezione della privacy, assicurando che solo entità verificate possano contribuire, impedendo così a nodi non autorizzati di influenzare il modello globale. Lo studio conclude che questa architettura offre una base robusta per l'intelligenza medica collaborativa che è conforme agli standard normativi (GDPR, HIPAA) ed è resiliente contro attacchi avversari sofisticati, senza compromettere le performance cliniche o imporre costi proibitivi.