安全な心血管リスク予測のための堅牢なフレームワーク: 差分プライバシーを用いた連合学習のアーキテクチャ的ケーススタディ

要旨：正確な心血管リスク予測は予防医療にとって極めて重要です。しかし、厳格なプライバシー規制により機関間で臨床データが断片化されるため、堅牢な人工知能（AI）モデルの開発は妨げられています。本論文は、異種の臨床ネットワークに適用されたプライバシー保護型連合学習フレームワーク FedCVR の工学的頑健性を検証する包括的なアーキテクチャケーススタディを提示します。新しい理論的オプティマイザを提案するのではなく、本研究はユーティリティ優先の差分プライバシー（DP）の下でのサーバーサイド適応最適化の運用トレードオフを定量化するシステム工学分析に焦点を当てています。現実世界データセット（Framingham、Cleveland）に適合させた高忠実度の合成環境での厳密なストレステストを実施することにより、統計ノイズに対するシステムの堅牢性を体系的に評価します。検証結果は、サーバーサイドモーメントを時系列デノイザーとして組み込むことでアーキテクチャが安定した F1スコア0.84、AUC（曲線下面積）0.96 を達成し、標準のステートレスなベースラインより統計的に優れていることを示しています。我々の所見は、現実的なプライバシー予算のもとで臨床有用性を回復するためには、サーバーサイド適応性が構造的な前提条件であることを確認しており、安全な複数機関間の協力のための検証済みのエンジニアリング設計図を提供します。