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

Nel mondo moderno, gli ospedali e i centri di ricerca generano enormi quantità di informazioni sensibili sui pazienti, dai ritmi cardiaci ai codici genetici. Condividere questi dati è essenziale per addestrare l'intelligenza artificiale a individuare le malattie precocemente e curarle meglio, ma farlo comporta un rischio enorme: se i dati grezzi lasciano il server sicuro di un ospedale, la privacy di un paziente potrebbe essere distrutta. Per anni, gli scienziati hanno cercato una via di mezzo. Un approccio promettente è chiamato apprendimento federato (federated learning), un metodo in cui un computer centrale chiede a molti diversi ospedali di addestrare un modello di intelligenza artificiale condiviso utilizzando i propri dati locali. Gli ospedali non inviano mai i propri registri privati al computer centrale; inviano solo indietro gli aggiornamenti matematici che il modello ha appreso. Tuttavia, questo sistema si basa sulla fiducia. Se un ospedale è disonesto o il suo computer è compromesso, potrebbe inviare indietro un aggiornamento corrotto che rovina l'intero modello o, peggio, ruba informazioni su altri pazienti. Per risolvere questo problema, i ricercatori si stanno rivolgendo alla blockchain, una tecnologia di registro digitale nota per la sua capacità di registrare transazioni in modo permanente, trasparente e impossibile da alterare senza rilevamento. Combinando queste due tecnologie, gli scienziati mirano a creare un sistema in cui i dati rimangano privati, ma il comportamento di ogni partecipante sia monitorato e verificato.

Un team di ricercatori dell'Università di Camerino e dell'Università di Milano ha proposto una nuova architettura che intreccia questi concetti in un framework sicuro per l'assistenza sanitaria. Il loro lavoro si concentra su un problema specifico: come garantire che solo ospedali affidabili partecipino all'addestramento di questi modelli condivisi e come identificare e rimuovere istantaneamente qualsiasi partecipante che agisca in modo malevolo. Hanno costruito un sistema in cui una blockchain permissionata funge da autorità centrale, ma invece di limitarsi a memorizzare record, gestisce attivamente chi è autorizzato a unirsi al processo di addestramento. Questo sistema utilizza un metodo chiamato controllo degli accessi basato sugli attributi (attribute-based access control), che funziona come una guardia di sicurezza dinamica che controlla le credenziali specifiche di un visitatore — come la sua identità, il tipo di dati che sta gestendo e la sua reputazione passata — prima di lasciarlo passare dalla porta. In questa configurazione, la blockchain non memorizza i record medici privati; quelli rimangono protetti all'interno del database locale di ogni ospedale. Invece, la blockchain memorizza le regole di accesso, le identità dei partecipanti e le impronte digitali crittografiche dei modelli che condividono, garantendo che l'intero processo sia trasparente e a prova di manomissione.

L'innovazione principale di questa ricerca risiede nel modo in cui calcola e utilizza la "fiducia". In un sistema tradizionale, un ospedale potrebbe essere considerato affidabile semplicemente perché è un'istituzione nota. In questo nuovo framework, la fiducia è un numero vivo che cambia in base alle prestazioni. I ricercatori hanno progettato un sistema che osserva costantemente il comportamento di ogni ospedale durante il processo di addestramento. Esso analizza tre elementi principali: quanto sono accurati gli aggiornamenti del modello, la velocità con cui l'ospedale risponde e la sua reputazione storica. Se un ospedale invia un aggiornamento del modello sospettosamente diverso da quello degli altri, o se impiega un tempo insolitamente lungo per rispondere, il sistema segnala questo comportamento. I ricercatori hanno simulato una rete di cinquanta ospedali, con un terzo di essi che agiva come attore malevolo tentando di sabotare l'addestramento. Nella loro simulazione, il sistema ha identificato con successo questi attori malevoli. Il punteggio di fiducia degli ospedali onesti è aumentato man mano che fornivano buone prestazioni, mentre il punteggio di fiducia di quelli malevoli è sceso rapidamente. In soli pochi round di addestramento, il sistema è stato in grado di isolare gli attori malevoli, escludendoli efficacemente dalla rete in modo che non potessero più influenzare il modello condiviso.

Per far sì che ciò funzioni, i ricercatori hanno sviluppato un'infrastruttura digitale divisa in due parti. Primo, hanno creato un sistema di smart contract, che è essenzialmente un programma auto-eseguibile sulla blockchain, per gestire l'identità e le decisioni sulle policy. Questo programma controlla ogni richiesta per vedere se corrisponde alle regole di sicurezza. Secondo, hanno costruito un sistema di monitoraggio separato che calcola i punteggi di fiducia in background. Quando un ospedale vuole unirsi a un compito di addestramento, il sistema controlla il suo attuale punteggio di fiducia rispetto alle regole di sicurezza. Se il punteggio è sufficientemente alto, l'ospedale è autorizzato a partecipare. Se il punteggio è troppo basso, forse perché è stato colto ad agire in modo strano in un compito precedente, il sistema nega l'accesso. Ciò crea una rete che si auto-pulisce, dove il comportamento scorretto viene automaticamente punito con l'esclusione e il buon comportamento viene premiato con la continuazione della partecipazione. I ricercatori hanno testato questa configurazione utilizzando un ambiente simulato con cinquanta nodi, eseguendo dieci iterazioni di compiti di addestramento. Hanno scoperto che il sistema poteva distinguere tra partecipanti onesti e malevoli con alta precisione, isolando gli attori malevoli mentre permetteva ai buoni di continuare a migliorare il modello condiviso.

Lo studio ha anche esaminato come il sistema si comporta sotto pressione. I ricercatori hanno generato migliaia di richieste per vedere come la blockchain gestisse il carico. Hanno scoperto che il sistema funzionava molto bene quando il numero di richieste era moderato, concedendo o negando l'accesso in base alle regole. Tuttavia, man mano che il numero di richieste cresceva molto, il sistema iniziava a rallentare, proprio come un'autostrada trafficata dove la congestione causa ritardi. Questa è una sfida nota della tecnologia blockchain, dove la verifica di ogni transazione richiede tempo e potenza di calcolo. Nonostante questa limitazione, i risultati hanno mostato che i benefici in termini di sicurezza erano significativi. Il sistema ha impedito con successo l'accesso non autorizzato e ha mantenuto l'integrità dell'addestramento del modello, anche di fronte a tentativi di avvelenamento dei dati. I ricercatori hanno concluso che, integrando la gestione della fiducia direttamente nelle regole di controllo degli accessi, hanno creato un meccanismo di difesa proattivo. Questo approccio non si limita a reagire agli attacchi dopo che sono avvenuti; li previene assicurando che solo i nodi con una comprovata storia di affidabilità siano autorizzati a contribuire all'intelligenza collettiva della rete sanitaria.

In definitiva, questo lavoro offre una via pratica per il futuro della condivisione dei dati medici. Dimostra che è possibile costruire una rete collaborativa in cui gli ospedali possono contribuire alla ricerca salvavita senza mai dover rivelare i dati privati dei propri pazienti. Utilizzando la blockchain per imporre regole rigorose e trasparenti e monitorando costantemente il comportamento di ogni partecipante, il sistema crea un ambiente in cui la fiducia non è assunta, ma verificata. I ricercatori hanno dimostrato che, con la giusta combinazione di tecnologia, è possibile filtrare il rumore e la malizia, lasciando dietro di sé un flusso pulito e affidabile di conoscenza che può aiutare i medici a diagnosticare le malattie in modo più accurato e trattare i pazienti in modo più efficace. La simulazione ha provato che questo metodo funziona, suggerendo che, nel mondo reale, un sistema del genere potrebbe proteggere la privacy di milioni di persone accelerando al contempo il ritmo della scoperta medica.