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

Resumo Técnico: Aprendizado Federado Baseado em Blockchain Confiável para Registros Eletrônicos de Saúde

Definição do Problema
A digitalização da saúde gerou vastos repositórios de Registros Eletrônicos de Saúde (EHRs), oferecendo um potencial significativo para o treinamento de modelos de Inteligência Artificial (IA). No entanto, regulamentações rigorosas de privacidade, como o GDPR e o HIPAA, criaram silos de dados que impedem o treinamento centralizado. O Aprendizado Federado (FL) surgiu como uma solução para permitir o treinamento colaborativo de modelos sem o compartilhamento de dados brutos. Apesar de sua natureza de preservação de privacidade, o FL na saúde permanece vulnerável a ameaças de segurança críticas, especificamente ataques de envenenamento (onde atores maliciosos injetam gradientes corrompidos) e ataques Sybil (onde adversários criam múltiplas identidades falsas para influenciar o mecanismo de consenso).

As abordagens atuais de Blockchain-based FL (BFL) tentam mitigar esses riscos, mas dependem predominantemente de sistemas de reputação probabilísticos post-hoc. Esses sistemas estabelecem confiança de forma reativa com base na qualidade estatística dos gradientes submetidos ou no comportamento histórico. Essa abordagem cria um problema de "cold start" (início a frio) para novas instituições legítimas e falha em prevenir adversários sofisticados que constroem reputação antes de lançar ataques. Crucialmente, as soluções existentes carecem de verificação de identidade criptográfica a priori, deixando a rede aberta a participantes não autorizados que se passam por entidades de saúde legítimas.

Metodologia e Arquitetura Proposta
O artigo propõe um framework de Aprendizado Federado Baseado em Blockchain Confiável (TBFL) que altera o modelo de confiança de "confiança no comportamento" para "confiança na identidade", integrando padrões de Identidade Auto-Soberana (SSI). A arquitetura consiste em três camadas sinérgicas:

1. Camada de Identidade (Infraestrutura SSI):

   • Identificadores Descentralizados (DIDs): Cada entidade participante (hospitais, laboratórios) gera um DID globalmente único vinculado a um par de chaves pública-privada, garantindo a auto-soberania sem autoridade central.
   • Credenciais Verificáveis (VCs): Emissores Confiáveis (ex: Ministérios da Saúde, conselhos de licenciamento) verificam as credenciais institucionais do mundo real off-chain e emitem VCs criptograficamente assinadas. Essas credenciais atestam atributos específicos (ex: "Centro de Trauma de Nível III Licenciado") e incluem metadados para expiração e revogação.

2. Camada de Coordenação (Controle de Acesso via Blockchain):

   • Smart Contracts: Um contrato inteligente baseado em Ethereum atua como um guardião determinístico. Ele mantém um registro de DIDs autorizados e seu status de autorização.
   • Protocolo de Verificação: Antes que um participante possa submeter uma atualização de modelo, o contrato inteligente verifica sua Apresentação Verificável (derivada de sua VC). Ele verifica a assinatura do Emissor, a validade da credencial e o status de revogação. Apenas DIDs autorizados são adicionados à lista de permissões (whitelist) para uma rodada de treinamento específica.
   • Eficiência: Para evitar altos custos de transação, o sistema não armazena os pesos do modelo on-chain. Em vez disso, os modelos locais são armazenados no IPFS (InterPlanetary File System), e apenas o Identificador de Conteúdo (CID) e uma assinatura digital são submetidos ao blockchain.

3. Camada de Aprendizado (Treinamento com Preservação de Privacidade):

   • Algoritmo: O framework utiliza o FedProx, uma variante robusta do Federated Averaging que adiciona um termo proximal para lidar com a heterogeneidade estatística (dados Não-IID) comum na saúde.
   • Manipulação de Dados: O estudo utiliza o conjunto de dados MIMIC-IV (546.028 admissões). Os dados são particionados entre 10 clientes usando uma distribuição de Dirichlet para simular condições Não-IID. Um algoritmo SMOTE-Tomek é aplicado localmente para abordar o desequilíbrio de classes sem vazar dados.

Principais Contribuições

1. Identificação da Lacuna de Autenticação: Os autores analisam sistematicamente os esquemas de BFL atuais, identificando a dependência de reputação comportamental em vez de identidade criptográfica como uma vulnerabilidade primária que permite ataques Sybil e de envenenamento.
2. Arquitetura TBFL Focada em Identidade: O design e implementação de um framework que restringe estritamente a participação à verificação de Credenciais Verificáveis. Isso garante que apenas provedores de saúde autenticados e autorizados possam enviar atualizações.
3. Integração Fluida de DIDs e Smart Contracts: A demonstração de como os DIDs podem ser integrados aos contratos inteligentes do Ethereum para verificar a legitimidade institucional antes do processo de agregação computacionalmente intensivo, otimizando tanto a segurança quanto a eficiência.

Resultados Experimentais
O framework foi avaliado ao longo de 100 rodadas globais de treinamento utilizando o conjunto de dados MIMIC-IV para predição de mortalidade intra-hospitalar.

• Desempenho de Segurança: O framework TBFL neutralizou com sucesso 100% dos ataques Sybil simulados. Em um experimento comparativo, um sistema de linha de base não protegido sofreu uma queda de 12,3% na precisão quando atacado, enquanto o sistema TBFL manteve a estabilidade. O contrato inteligente rejeitou todas as tentativas de submissão não autorizadas.
• Utilidade Clínica: O modelo global alcançou um desempenho preditivo robusto com um AUC de 0,954 e um Recall de 0,890. O modelo demonstrou uma estratégia conservadora e orientada à segurança, identificando efetivamente pacientes de alto risco (minimizando Falsos Negativos) enquanto mantinha a estabilidade através de distribuições de dados heterogêneas.
• Sobrecarga Operacional: A integração da verificação por blockchain introduziu uma sobrecarga computacional negligenciável (<0,12%). A etapa de verificação adicionou aproximadamente 0,02 segundos por rodada em comparação com os 17 segundos para o treinamento local.
• Viabilidade Econômica: O custo operacional total para 100 rodadas de treinamento na testnet do Ethereum foi de aproximadamente US$ 18. A estrutura de custos é estritamente linear e invariante à complexidade do modelo porque apenas hashes de comprimento fixo são armazenados on-chain.

Significância e Alegações
O artigo afirma que o framework TBFL fornece um ecossistema seguro, escalável e economicamente viável para a colaboração de dados de saúde interinstitucional. Ao ancorar a confiança na verificação de identidade criptográfica em vez de padrões comportamentais, o framework altera fundamentalmente o paradigma de segurança de detecção reativa de ameaças para prevenção proativa de ameaças.

Os autores asseguram que esta abordagem resolve a tensão entre utilidade de dados e proteção de privacidade, garantindo que apenas entidades verificadas possam contribuir, evitando assim que nós não autorizados influenciem o modelo global. O estudo conclui que esta arquitetura oferece uma base robusta para a inteligência médica colaborativa que é compatível com os padrões regulatórios (GDPR, HIPAA) e resiliente contra ataques adversários sofisticados, sem comprometer o desempenho clínico ou impor custos proibitivos.