مرور سیستماتیک یادگیری فدرال برای هوش مصنوعی حفظ‌کننده حریم خصوصی در سلامت: چالش‌ها، معماری‌ها و مقیاس‌پذیری

مرور سیستماتیک یادگیری فدرال برای هوش مصنوعی حفظ‌کننده حریم خصوصی در سلامت: چالش‌ها، معماری‌ها و مقیاس‌پذیری

فاطمه عمرانی1 صغری میکائیل نژاد2 فاطمه خانی3

1) مربی، گروه مهندسی کامپیوتر، دانشگاه پیام نور، تهران، ایران
2) مربی، گروه مهندسی کامپیوتر، دانشگاه پیام نور، تهران، ایران
3) مربی، گروه مهندسی کامپیوتر، دانشگاه پیام نور، تهران، ایران

کد IOI مقاله : AAHD-ABFGCB
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    پیشرفت هوش مصنوعی در سلامت با چالش اساسی حفاظت از حریم خصوصی داده‌های بیماران و محدودیت‌های قانونی مانند GDPR و HIPAA مواجه است. یادگیری فدرال (FL) به عنوان یک پارادایم نوظهور، آموزش مدل‌های مشارکتی را بدون اشتراک‌گذاری داده‌های خام ممکن می‌سازد. این مقاله مرور سیستماتیک با پیروی از رهنمود PRISMA 2020، به تحلیل پژوهش‌های FL برای هوش مصنوعی حفظ‌کننده حریم خصوصی در سلامت با تأکید ویژه بر ابعاد مقیاس‌پذیری می‌پردازد. جستجو در پنج پایگاه داده ( PubMed، Scopus، Web of Science، IEEE Xplore و Google Scholar ) منجر به شناسایی ۲۵۰+ مقاله و در نهایت انتخاب ۹۷ مطالعه مرتبط شد. یافته‌ها در چهار محور دسته‌بندی شده‌اند: (الف) معماری‌های مقیاس‌پذیر (سلسله‌مراتبی، کارآمد از نظر ارتباطات و مبتنی بر بلاکچین)، (ب) مکانیزم‌های حریم خصوصی(DP، HE، SMPC، TEE و ZKP)، (پ) کاربردهای سلامت (تصاویر پزشکی، EHR و IoMT)، و (ت) چالش‌های عمده (ناهمگونی داده و سیستم، حملات امنیتی، سربار ارتباطی و موانع استقرار بالینی). نتایج نشان می‌دهد که شکاف قابل توجهی بین نوآوری‌های الگوریتمی و استقرار عملی در محیط‌های بالینی واقعی وجود دارد. مقاله با ارائه توصیه‌های سیاستی برای استانداردسازی ارزیابی، سرمایه‌گذاری زیرساختی و هماهنگی مقرراتی به پایان می‌رسد.

کلمات کلیدی : یادگیری فدرال حفظ حریم خصوصی سیستم‌های سلامت مقیاس‌پذیری مرور سیستماتیک