Recovering Clinical Utility Under Differential Privacy: Empirical Validation of Adaptive Federated Aggregation on Heterogeneous Cardiovascular Datasets

Sintesi Tecnica: Recupero dell'Utilità Clinica sotto la Differenziale Privacy

Problematica
La sfida centrale affrontata è la tensione tra la necessità di dataset ampi e diversificati per addestrare modelli di rischio cardiovascolare di alta qualità e i divieti legali (es. GDPR, LGPD) contro la centralizzazione delle cartelle cliniche dei pazienti. Sebbene l'Apprendimento Federato (Federated Learning, FL) consenta alle istituzioni di collaborare senza condividere i dati grezzi, esso affronta due barriere tecniche compostitive in contesti clinici:

1. Eterogeneità Statistica (Non-IID): I dati clinici del mondo reale variano significativamente tra le istituzioni in termini di demografia, prevalenza di malattie e protocolli di raccolta, causando il "client drift" (deriva del client) dove i gradienti locali divergono dall'ottimo globale.
2. Trade-off Privacy-Utilità: La Differenziale Privacy (DP) è necessaria per prevenire attacchi di inferenza ma introduce rumore calibrato che destabilizza la convergenza del modello, particolarmente in condizioni Non-IID. Ciò porta spesso a una significativa degradazione dell'utilità clinica, specialmente per le classi minoritarie (pazienti ad alto rischio).

Il lavoro precedente degli autori ha stabilito una base teorica e sintetica per una soluzione, ma mancava di validazione su dati clinici autentici ed eterogenei. Questo studio colma tale lacuna passando da benchmark sintetici controllati alla validazione multi-istituzionale su dati reali.

Metodologia
Lo studio valida il framework FedCVR, un'architettura che integra l'ottimizzazione adattiva lato server con la Differenziale Privacy lato client.

• Architettura:
  • Lato Client: Cinque istituzioni eterogenee (Framingham, Cleveland, Ungheria, Svizzera, Long Beach VA) eseguono l'addestramento locale su cartelle clinhe elettroniche (EHR) private. I client applicano la Differenziale Privacy tramite clipping del gradiente (norma L2 $C=1.0$) e l'aggiunta di rumore Gaussiano calibrato ($\sigma$) prima di trasmettere i vettori di aggiornamento al server.
  • Lato Server: Invece della standard media ponderata (FedAvg), il server impiega un ottimizzatore adattivo basato su Adam. Esso mantiene le stime del primo momento (media) e del secondo momento (varianza) dei gradienti. Questo meccanismo agisce come un "denoiser temporale", utilizzando il momentum per smorzare il rumore Gaussiano a media zero iniettato dalla DP e per attenuare le oscillazioni causate dal client drift.
• Configurazione dei Dati:
  • Cinque dataset cardiovascolari del mondo reale sono stati armonizzati secondo uno schema UCI a 13 attributi.
  • I dataset presentano una reale eterogeneità: dimensioni del campione variabili (da 123 a 4.238 record), prevalenza della malattia (dal 15% al 94%) e pattern di dati mancanti (es. assenza quasi totale di colesterolo nel dataset della Svizzera).
  • Protocollo di Valutazione: È stata utilizzata una validazione incrociata leave-one-institution-out a livello di client. In ogni fold, un'istituzione viene interamente esclusa per il test mentre il modello viene addestrato sulle restanti quattro. Questo testa la generalizzazione verso istituzioni sanitarie non viste.
• Setup Sperimentale:
  • I modelli sono stati addestrati per 100 round di comunicazione con 5 epoche locali.
  • I budget di privacy variavano da $\epsilon \approx 4.2$ (operativo) a $\epsilon \approx 1.2$ (rigoroso).
  • I confronti sono stati effettuati contro FedAvg standard, FedCVR senza DP e modelli solo locali.

Contributi Chiave

1. Prima Validazione Empirica su Dati Reali: Questo lavoro fornisce la prima valutazione dell'architettura FedCVR su genuini dati cardiovascolari multi-istituzionali, estendendo le precedenti scoperte sintetiche a una rete federata realistica.
2. Protocollo di Valutazione Robusto: L'introduzione di un protocollo di validazione incrociata a livello di client con un set di test composito globale offre una misura di generalizzazione più forte rispetto al campionamento indipendente, simulando direttamente lo scenario di deployment dell'aggiunta di una nuova istituzione a una federazione.
3. Caratterizzazione dell'Eterogeneità del Mondo Reale: Lo studio quantifica come le sfide dei dati reali (caratteristiche mancanti, squilibrio di classe non controllato, casi limite distribuzionali) impattino sul trade-off privacy-utilità, andando oltre i benchmark sintetici ingegnerizzati.

Risultati

• Performance: Sotto un budget di privacy operativo ($\sigma=0.8, \epsilon \approx 4.2$), FedCVR ha raggiunto un F1-Score del 79.2% e un AUC dello 0.96.
• Superiorità Statistica: FedCVR ha superato statisticamente lo standard FedAvg in tutte le metriche (t-test accoppiati, tutti $p \le 0.003$, significativi secondo la correzione di Bonferroni). Il meccanismo adattivo ha migliorato l'F1-Score di 2.8 punti percentuali rispetto a FedAvg.
• Convergenza: FedCVR è convergito significativamente più velocemente, raggiungendo il 95% della sua performance finale in 45 round rispetto agli 85 round di FedAvg. Il meccanismo adattivo ha efficacementmente mitigato il comportamento oscillatorio ("client drift") osservato in FedAvg.
• Costo della Privacy: L'introduzione della Differenziale Privacy ha comportato un costo di utilità minimo. Rispetto alla baseline adattiva non privata (F1 79.5%), il regime di privacy più rigoroso ($\epsilon \approx 1.2$) ha causato solo un calo di 1.4 punti percentuali (F1 78.1%).
• Generalizzazione: Il modello federato globale si è dimostrato competitivo o migliore dei modelli addestrati localmente in tutte le istituzioni. In particolare, le istituzioni più piccole (Cleveland, Ungheria) hanno visto guadagni significativi (+3.2% e +2.8% F1, rispettivamente), mentre la più grande istituzione (Framingham) non ha subito degradazioni, confermando il valore del framework per i siti con scarse risorse di dati senza penalizzare quelli ricchi di dati.

Significatività e Rivendicazioni
L'articolo sostiene che l'ottimizzazione adattiva lato server è un prerequisito strutturale per recuperare l'utilità clinica nell'apprendimento federato sotto la Differenziale Privacy. I risultati dimostrano che la proprietà di "denoising temporale" del momentum-based aggregation si generalizza dagli ambienti sintetici ad autentici dati clinici eterogenei.

I punti chiave enfatizzati dagli autori includono:

• Viabilità Regolatoria: La conformità rigorosa alla privacy (GDPR/LGPD) e l'alta utilità clinica non sono mutuamente esclusive; il framework raggiunge garanzie di privacy rigorose con un sacrificio di performance trascurabile (<2% di degradazione).
• Democratizzazione dell'IA: L'approccio consente alle strutture sanitarie più piccole e con scarse risorse di accedere a una qualità del modello precedentemente ottenibile solo attraverso la centralizzazione dei dati su larga scala, senza compromettere la sovranità dei dati.
• Robustezza Architetturale: Il meccanismo di aggregazione adattiva filtra intrinsecamente sia il rumore stocastico derivante dall'eterogeneità statistica che il rumore deliberato della Differenziale Privacy, stabilizzando la convergenza in reti federate complesse e reali.

Gli autori mantengono una posizione modesta, riconoscendo che, sebbene i risultati siano statisticamente significativi e robusti attraverso i fold, lo studio si basa su dataset pubblici curati piuttosto che su EHR grezzi e non curati, e il lavoro futuro richiede una validazione clinica prospettica per confermare l'impatto sui risultati dei pazienti.