基于区块链的真实世界数据共享系统研究.doc

[2]摘要： 针对真实世界大数据应用，以区块链为基础设施，构建支持数据溯源、隐私保护、以患者为中心的数据共享平台，开发了原型系统，进行了关键算法验证， 基于最小哈希的局部敏感哈希的非标注数据溯源技术，结合区块链，实现数据来源可追溯可信可验证；设计专门的隐私保护隔离区，采用容器和虚拟机双层隔离保护机 制，程序将加密发布的真实世界数据下载到隔离区内，解密后分析处理，用后解密明文立刻销毁，实现数据隐私保护；同时使用区块链、控制流图、最小哈希、局部敏感 哈希等技术登记分析程序指纹，进行计算程序身份安全验证. [2] 关键词： 区块链，真实世界数据，控制流图，局部敏感哈希，最小哈希 真实世界数据，指的是由非随机对照研究（简称RCT）而来的临床数据，主要来源于电子病历、医保索赔、患者报告结果、患者和疾病登记、前瞻性观察研究、生物 标志物研究、可穿戴设备传感器、移动健康数据等.随机对照研究被定义为最高级别的循证证据，经常作为药品审批上市、临床诊疗指南更新的证据.根据以往规定，新药 获准上市要经过临床试验RCT周期Ⅱ期、Ⅲ期等，过程至少需要8～10年.相比之下，真实世界临床数据来源更具多样性，可以评价药械的实际效果和安全性，并可观察到 更长期的治疗效果以及不同特征人群的效果，能够为新药械上市开辟新的途径，带动医疗科技创新[1]. 真实世界数据需要转化为真实世界证据才会发挥价值.要完成这种转化必须进行数据整合，同时解决数据可溯源性、隐私保护等问题.因为真实世界数据必须经过整合 以后才能使用，这牵扯到同一数据库中数据表内容整合、不同数据库内容的整合，同时对缺失数据进行补全.数据整合后必须解决以下2方面的问题： 1）可溯源性.整合数据需具备可追溯性，为分析结果提供可信证据.让分析结果可追溯，可查找原因. 2）隐私保护.真实世界研究的数据，如患者的信息有可能会成为长期的研究资料，患者本身在某种程度上已成为“受试者”，因此真实世界研究需要符合伦理要求、 知情同意等，必须提供完善的隐私保护机制，防止用户隐私泄露. 我国医疗数量大，加上就诊医院、地域的不同，易形成信息孤岛，要实现开放利用需要突破数据可溯源性、隐私保护等关键技术，打通数据壁垒，将数据整合形成全 面的多维数据链条，构建具有可溯源和隐私保护能力的真实世界数据共享体系. 本文的贡献在于对上述传统技术的增强：对于文本和数值型数据溯源，设计了最小哈希（MinHash）和局部敏感哈希（LSH）算法进行相似性比较，查找世系证据；对 于隐私保护，提出了基于控制流图的程序身份指纹提取及验证算法，同时使用区块链对数据哈希特征指纹、计算程序指纹进行登记，实现数据溯源以及处理程序溯源.另 外，设计了容器和虚拟机双层隔离保护的隐私计算隔离区，将加密发布的真实世界数据下载到隔离区内，解密后分析处理，用后数据立刻销毁，隔离区外不出现明文，从 而防止个人隐私泄露. 1 总体框架和工作流程 真实世界数据共享体系框架图如图1所示： 主要包括数据整合治理、加密发布存储、数据分析程序应用和区块链等模块，其中： 数据整合治理.主要按照标准表格，对来自各种数据源的数据进行内容整合导入，补全缺失数据.数据补全采取datawig机器学习算法 . 补全数据.使用RCT数源的，需要记录数据源URL （数据表），补全之前的数据集合最小哈希MinHash；补全数据集合的最小哈希和补全算法.并采用区块链登记其最小 哈希； 加密发布存储.采用分布式存储系统IPFSOrbitDB数据库，将标准化数据加密发布，提供目录方便授权管理以及数据使用. 隐私保护区.将通过授权的加密数据下载到隔离区，解密后采用分析程序进行处理，计算结果输出后，解密明文用后立即销毁，防止数据泄露.同时，使用区块链[3] 对数据分析程序指纹特征和访问用户进行登记，实现数据使用可证、计算结果可信. 区块链模块.采用Hyperledger进行存证，登记的原始数据存储于IPFSOrbitDB数据库. 2 算法设计 2.1 数据溯源算法 文本和数据类数据溯源采用基于最小哈希的局部敏感哈希算法，计算数据相似度，追溯数据的演变过程[4]. 算法1.数据溯源算法. 输入：文件（文本或者数据）； 输出： LSH相似度. 计算过程： 第1步.数据分割k-shingles：将数据文件切分为小数据集合. 第2步.最小哈希MinHash降维：将数据集合转化为短签名，将数据比较转化为签名比较. 第3步.局部敏感哈希（LSH）降维，最小哈希MinHash得到的签名数据集依然很大，通过LSH进一步缩减处理的数据量.只是比较存在高相似概率的签名.下面重点介绍 MinHash和LSH. Jaccard系数是常见的衡量2个向量（或集合）相似度的度量： A，B两个集合，其相似性Jaccard系数为J