Ricerca
Apprendimento federato affidabile basato su blockchain per le cartelle cliniche elettroniche: proteggere l’identità dei partecipanti con identificatori decentralizzati e credenziali verificabili
La digitalizzazione della sanità ha generato enormi quantità di cartelle cliniche elettroniche (EHR), offrendo opportunità senza precedenti per addestrare modelli di intelligenza artificiale (AI).

- arXiv
- 2602.02629
- Pubblicato
- 2026-02-02
- Autori
- Rodrigo Tertulino, Ricardo Almeida, Laercio Alencar
Abstract degli autori
La digitalizzazione della sanità ha generato enormi quantità di cartelle cliniche elettroniche (EHR), offrendo opportunità senza precedenti per addestrare modelli di intelligenza artificiale (AI). Tuttavia, normative rigorose sulla privacy come il GDPR e l’HIPAA hanno creato silos di dati che impediscono l’addestramento centralizzato. L’apprendimento federato (FL) si è affermato come una soluzione promettente, che consente di addestrare modelli in modo collaborativo senza condividere i dati grezzi dei pazienti. Nonostante le sue potenzialità, l’FL resta vulnerabile agli attacchi di avvelenamento e Sybil, nei quali partecipanti malevoli compromettono il modello globale o si infiltrano nella rete usando identità false. Sebbene gli approcci recenti integrino la tecnologia blockchain per garantire la verificabilità delle operazioni, si affidano prevalentemente a sistemi di reputazione probabilistici anziché a una solida verifica crittografica dell’identità. Questo articolo propone un framework Trustworthy Blockchain-based Federated Learning (TBFL) che integra gli standard di Self-Sovereign Identity (SSI). Sfruttando gli identificatori decentralizzati (DIDs) e le credenziali verificabili (VCs), la nostra architettura garantisce che solo le organizzazioni sanitarie autenticate contribuiscano al modello globale. Attraverso una valutazione approfondita condotta sul dataset MIMIC-IV, dimostriamo che fondare la fiducia sulla verifica crittografica dell’identità, anziché sui modelli di comportamento, riduce significativamente i rischi per la sicurezza mantenendo l’utilità clinica. I nostri risultati mostrano che il framework neutralizza il 100% degli attacchi Sybil, raggiunge solide prestazioni predittive (AUC = 0,954, Recall = 0,890) e comporta un sovraccarico computazionale trascurabile (<0,12%). L’approccio offre un ecosistema sicuro, scalabile ed economicamente sostenibile per la collaborazione sui dati sanitari tra istituzioni, con costi operativi complessivi di circa 18 dollari per 100 cicli di addestramento presso più istituzioni.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv