医療データを漏らさずAIを鍛える！連合学習×PySyftで皮膚がん分類器を作ろう🩺🛡️

「病院のデータを使いたいけど、プライバシー的に無理だよね…」

医療AIを作ろうとしたとき、ほぼ全員がぶつかる「データの壁」ですよね。GDPRやHIPAAといった規制もあって、患者データをそのまま受け取ることは現実的に不可能です。

でも、最近注目されている連合学習（Federated Learning）とPySyftを組み合わせれば、「生データを一切移動させずにAIを訓練する」という夢みたいな仕組みが実現できるんです。今回はその仕組みと実装のポイントをざっくりつかんでいきましょう！

Contents

🤔 連合学習って何？イメージで理解しよう
🛠️ PySyftで連合学習を実装してみよう
🎯 皮膚がん分類への応用ポイント
まとめ

🤔 連合学習って何？イメージで理解しよう

medical AI privacy / Photo by Pavel Danilyuk via Pexels

連合学習をひと言で言うと、「データは動かさず、モデル（頭脳）だけを旅させる」仕組みです。

病院Aと病院Bにそれぞれ皮膚病変の画像データがあるとします。従来の機械学習だと、全データを1か所に集めてから学習しますよね。でも連合学習では…

中央サーバーがモデルを各病院へ送る
各病院はローカルデータでモデルを更新する
更新後の「重み（パラメータ）」だけを中央に返す
中央サーバーが各病院の重みを集約して新しいモデルを作る

生データはどこにも送られない！これが連合学習の核心です。

🛠️ PySyftで連合学習を実装してみよう

PySyftはOpenMined開発のOSSで、Pythonで連合学習やプライバシー保護AIを実装できるライブラリです。まずはインストールから確認しておきましょう。

# PySyftのインストール
pip install syft

次に、複数の「仮想クライアント（病院）」を作り、それぞれにデータを分散させてモデルを訓練するサンプルを見てみましょう。

import syft as sy
import torch
import torch.nn as nn
from torch import optim

# 仮想クライアント（病院A・病院B）を作成
hook = sy.TorchHook(torch)
hospital_a = sy.VirtualWorker(hook, id="hospital_a")
hospital_b = sy.VirtualWorker(hook, id="hospital_b")

# ダミーの皮膚病変データ（本来は各病院のローカルデータを想定）
data_a = torch.tensor([[1.0, 0.5], [0.8, 0.3]]).send(hospital_a)
data_b = torch.tensor([[0.2, 0.9], [0.4, 0.7]]).send(hospital_b)

# シンプルな分類モデル
class SkinClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc = nn.Linear(2, 1)  # 入力2次元 → 出力1（良性/悪性）

    def forward(self, x):
        return torch.sigmoid(self.fc(x))

model = SkinClassifier()

# hospital_aのデータでローカル学習
model_a = model.copy().send(hospital_a)
optimizer = optim.SGD(model_a.parameters(), lr=0.01)
pred = model_a(data_a)
loss = ((pred - torch.tensor([[1.0], [0.0]]).send(hospital_a)) ** 2).mean()
loss.backward()
optimizer.step()

# 重みを中央に戻す（生データは戻ってこない！）
model_a.get()
print("学習完了！生データは病院Aから外に出ていません✅")

ポイントをまとめるとこんな感じです👇