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

Resumo Técnico: Recuperando a Utilidade Clínica sob Privacidade Diferencial

Definição do Problema
O desafio central abordado é a tensão entre a necessidade de conjuntos de dados amplos e diversos para treinar modelos de risco cardiovascular de alta qualidade e as proibições legais (ex: GDPR, LGPD) contra a centralização de registros de pacientes. Embora o Aprendizado Federado (FL) permita que instituições colaborem sem compartilhar dados brutos, ele enfrenta duas barreiras técnicas compostas em ambientes clínicos:

1. Heterogeneidade Estatística (Não-IID): Dados clínicos do mundo real variam significativamente entre instituições em termos de demografia, prevalência de doenças e protocolos de coleta, causando o "desvio do cliente" (client drift), onde os gradientes locais divergem do ótimo global.
2. Compromisso entre Privacidade e Utilidade (Privacy-Utility Trade-off): A Privacidade Diferencial (DP) é necessária para evitar ataques de inferência, mas introduz ruído calibrado que desestabiliza a convergência do modelo, particularmente sob condições Não-IID. Isso frequentemente leva a uma degradação significativa da utilidade clínica, especialmente para classes minoritárias (pacientes de alto risco).

Trabalhos anteriores dos autores estabeleceram uma base teórica e sintética para uma solução, mas careciam de validação em dados clínicos heterogêneos autênticos. Este estudo preenche essa lacuna ao transitar de benchmarks sintéticos controlados para a validação multi-institucional do mundo real.

Metodologia
O estudo valida a arquitetura FedCVR, um framework que integra otimização adaptativa no lado do servidor com Privacidade Diferencial no lado do cliente.

• Arquitetura:
  • Lado do Cliente: Cinco instituições heterogêneas (Framingham, Cleveland, Hungria, Suíça, Long Beach VA) realizam o treinamento local em Registros Eletrônicos de Saúde (EHR) privados. Os clientes aplicam Privacidade Diferencial via clipping de gradiente (norma L2 $C=1.0$) e adição de ruído Gaussiano calibrado ($\sigma$) antes de transmitir os vetores de atualização para o servidor.
  • Lado do Servidor: Em vez da média ponderada padrão (FedAvg), o servidor emprega um otimizador adaptativo baseado em Adam. Ele mantém estimativas do primeiro momento (média) e do segundo momento (variância) dos gradientes. Este mecanismo atua como um "denoiser temporal", utilizando o momento (momentum) para suavizar o ruído Gaussiano de média zero injetado pela DP e amortecer as oscilações causadas pelo desvio do cliente.
• Configuração de Dados:
  • Cinco conjuntos de dados cardiovasculares do mundo real foram harmonizados para um esquema UCI de 13 atributos.
  • Os conjuntos de dados exibem heterogeneidade genuína: tamanhos de amostra variáveis (123 a 4.238 registros), prevalência de doença (15% a 94%) e padrões de dados faltantes (ex: ausência quase total de colesterol no conjunto de dados da Suíça).
  • Protocolo de Avaliação: Foi utilizada uma validação cruzada de nível de cliente do tipo leave-one-institution-out. Em cada dobra (fold), uma instituição é totalmente isolada para teste enquanto o modelo é treinado nas quatro restantes. Isso testa a generalização para instituições de saúde não vistas.
• Configuração Experimental:
  • Os modelos foram treinados por 100 rodadas de comunicação com 5 épocas locais.
  • Os orçamentos de privacidade variaram de $\epsilon \approx 4.2$ (operacional) a $\epsilon \approx 1.2$ (estrito).
  • As comparações foram feitas contra o FedAvg padrão, FedCVR sem DP e modelos puramente locais.

Principais Contribuições

1. Primeira Validação Empírica com Dados Reais: Este trabalho fornece a primeira avaliação da arquitetura FedCVR em dados cardiovasculares multi-institucionais genuínos, estendendo as descobertas sintéticas anteriores para uma rede federada realista.
2. Protocolo de Avaliação Robusto: A introdução de um protocolo de validação cruzada de nível de cliente com um conjunto de teste global composto oferece uma medida de generalização mais forte do que o reamostragem independente, simulando diretamente o cenário de implantação ao adicionar uma nova instituição a uma federação.
3. Caracterização da Heterogeneidade do Mundo Real: O estudo quantifica como os desafios de dados autênticos (características ausentes, desequilíbrio de classe não controlado, casos extremos de distribuição) impactam o compromisso entre privacidade e utilidade, indo além dos benchmarks sintéticos projetados.

Resultados

• Desempenho: Sob um orçamento de privacidade operacional ($\sigma=0.8, \epsilon \approx 4.2$), o FedCVR alcançou um F1-Score de 79,2% e um AUC de 0,96.
• Superioridade Estatística: O FedCVR superou estatisticamente o FedAvg padrão em todas as métricas (testes t pareados, todos $p \le 0,003$, significativos sob correção de Bonferroni). O mecanismo adaptativo melhorou o F1-Score em 2,8 pontos percentuais sobre o FedAvg.
• Convergência: O FedCVR convergiu significativamente mais rápido, atingindo 95% de seu desempenho final em 45 rodadas comparado a 85 rodadas para o FedAvg. O mecanismo adaptativo mitigou efetivamente o comportamento oscilatório ("desvio do cliente") observado no FedAvg.
• Custo de Privacidade: A introdução da Privacidade Diferencial acarretou um custo de utilidade mínimo. Comparado à linha de base adaptativa não privada (F1 79,5%), o regime de privacidade mais estrito ($\epsilon \approx 1.2$) resultou em uma queda de apenas 1,4 ponto percentual (F1 78,1%).
• Generalização: O modelo federado global apresentou desempenho competitivo ou superior aos modelos treinados localmente em todas as instituições. Notavelmente, instituições menores (Cleveland, Hungria) viram ganhos significativos (+3,2% e +2,8% de F1, respectivamente), enquanto a maior instituição (Framingham) não sofreu degradação, confirmando o valor do framework para locais com escassez de dados sem penalizar aqueles com abundância de dados.

Significância e Alegações
O artigo alega que a otimização adaptativa no lado do servidor é um pré-requisito estrutural para recuperar a utilidade clínica no aprendizado federado sob Privacidade Diferencial. Os resultados demonstram que a propriedade de "denoising temporal" do agrupamento baseado em momento se generaliza de ambientes sintéticos para dados clínicos heterogêneos autênticos.

Os pontos principais enfatizados pelos autores incluem:

• Viabilidade Regulatória: A conformidade rigorosa com a privacidade (GDPR/LGPD) e a alta utilidade clínica não são mutuamente exclusivas; o framework alcança garantias de privacidade rigorosas com sacrifício de desempenho negligenciável (<2% de degradação).
• Democratização da IA: A abordagem permite que instalações de saúde menores e com recursos limitados acessem a qualidade de modelos anteriormente alcançáveis apenas através da centralização de dados em larga escala, sem comprometer a soberania dos dados.
• Robustez Arquitetônica: O mecanismo de agregação adaptativa filtra inerentemente tanto o ruído estocástico da heterogeneidade estatística quanto o ruído deliberado da Privacidade Diferencial, estabilizando a convergência em redes federadas complexas do mundo real.

Os autores mantêm uma postura modesta, reconhecendo que, embora os resultados sejam estatisticamente significativos e robustos entre as dobras, o estudo baseia-se em conjuntos de dados públicos curados em vez de EHRs brutos e não curados, e que trabalhos futuros exigem validação clínica prospectiva para confirmar o impacto nos desfechos dos pacientes.