FedGraphHE: Datenschutzfreundliches föderiertes GNN‑Framework für das Gesundheitswesen

Ein neues Framework namens FedGraphHE ermöglicht es medizinischen Einrichtungen, gemeinsam Graph‑Neural‑Network‑Modelle zu trainieren, ohne Patientendaten zentral zu speichern. Das System kombiniert homomorphe Verschlüsselung, adaptive Graph‑Transformer und robuste Aggregationsverfahren, um sowohl Datenschutz als auch Modellgenauigkeit zu sichern.

Hintergrund

Föderiertes Lernen erlaubt die Zusammenarbeit verteilter Geräte, während die Daten lokal bleiben. In der medizinischen Versorgung wird diese Technik zunehmend eingesetzt, um Diagnosen zu verbessern. Gleichzeitig bestehen Risiken wie Gradient‑Lecks, hoher Rechenaufwand durch Verschlüsselung und Angriffe durch fehlerhafte Teilnehmer.

Modul DAPHE – dynamische adaptive Partitionierung

Das Modul Dynamic Adaptive Partitioned Homomorphic Encryption (DAPHE) reduziert den Kommunikationsaufwand, indem es Gradienten in adaptiv partitionierte Pakete aufteilt und nur verschlüsselte Teilinformationen überträgt. Dadurch wird die Bandbreite um etwa 25 % gegenüber herkömmlichen homomorphen Verfahren gesenkt.

Modul HMAGT – hierarchischer Graph‑Transformer

Der Hierarchical Multi‑scale Adaptive Graph Transformer (HMAGT) verarbeitet verschlüsselte Graphdaten, indem er mehrere Skalen gleichzeitig berücksichtigt und dabei die Verschlüsselungsstruktur beachtet. Dieses Verfahren ermöglicht eine effiziente Analyse komplexer medizinischer Netzwerke.

Modul FRAHIP – robuste Aggregation

Federated Robust Aggregation via Homomorphic Inner Product (FRAHIP) schützt das System vor byzantinischen Angriffen, indem es aggregierte Modelle über homomorphe Innenprodukte kombiniert. Das Verfahren hält die Modellgenauigkeit über 95 % selbst bei bis zu 30 % fehlerhaften Teilnehmern.

Ergebnisse

Experimente auf den Zitiernetzwerk‑Benchmarks Cora, CiteSeer und PubMed zeigen, dass FedGraphHE die Klassifikationsgenauigkeit im Vergleich zu bestehenden Methoden um mehrere Prozentpunkte steigert. Auf dem medizinischen Bilddatensatz ISIC 2020 erreicht das System 98,18 % Genauigkeit. Die Kommunikationskosten liegen rund ein Viertel unter denen vergleichbarer homomorpher Ansätze.

Bedeutung und Ausblick

Die vorgestellten Ergebnisse belegen, dass FedGraphHE ein praktikables Werkzeug für datenschutzkritische Anwendungen im Gesundheitswesen darstellt. Durch die Kombination von Verschlüsselung, adaptiver Graphverarbeitung und robuster Aggregation könnte das Framework künftig in weiteren Bereichen wie Genomforschung oder Telemedizin eingesetzt werden.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.