MedPerf Meets Google Cloud Confidential Computing: Secure AI Benchmarking for Brain Tumor Research

MedPerf + Google Cloud：安全的医疗AI基准测试

MedPerf与Google Cloud机密计算结合：脑肿瘤研究的可信AI基准测试

在2026年拉斯维加斯举行的Google Cloud Next 2026上，MLCommons与Google Cloud展示了医疗AI领域的一项强大新功能——该功能能够同时保护患者数据、模型知识产权和基准完整性。

2026年7月22日

在2026年拉斯维加斯举行的Google Cloud Next 2026上，MLCommons医疗AI工作组与Google Cloud宣布启用MedPerf（MLCommons的联邦基准测试协调器）在Google Cloud的机密计算能力上。两个团队在具有现实临床意义的应用场景上展示了这一集成：脑肿瘤分割。

脑肿瘤（胶质母细胞瘤）是一种罕见疾病，对预期寿命造成毁灭性影响。AI通过多种自动化流程（包括边界定义/分割、肿瘤分类和肿瘤量化）有潜力改善脑肿瘤患者的诊断和预后。得益于印第安纳大学医学院Spyridon Bakas博士和神经肿瘤学反应评估（RANO）合作组协调的联邦肿瘤分割（FeTS）联盟，MedPerf团队在真实世界脑肿瘤MRI数据上展示了由杜克大学Evan Calabrese团队设计的临床有价值AI模型的评估。

通过Google Cloud的机密计算能力部署MedPerf，我们旨在在全球范围内推进医疗AI研究，同时在医疗数据上安全地评估模型。使用Google Cloud的机密空间（Confidential Space）——一种可信执行环境（TEE），在基准测试过程中，医疗数据、模型权重和基准测试结果均得到全方位保护。

问题：致命疾病与受限数据

在医疗领域，保护AI模型和患者数据至关重要，这是由隐私、伦理、主权和监管因素驱动的。同时，在真实患者数据上评估AI模型的性能，对于在临床医生、患者、监管机构和付款人中建立AI信任和推动其采用至关重要。

MLCommons社区开发了MedPerf来解决这一确切的差距。MedPerf采用联邦方法——由Bakas团队引入医疗领域——在这种方法中，AI模型被传输到医疗数据所有者（如医疗机构、医院和数据经纪人）处，而不是要求数据传输到基准测试运营商处。这使数据所有者能够保持数据私密性，同时仅与基准测试运营商共享汇总结果。

然而，尽管这种联邦方法保护了患者数据，但并未完全解决模型盗窃、知识产权和基准完整性方面的担忧。如果没有额外的保障措施，就无法确保模型权重不会泄露或基准测试结果在执行时不会被篡改，这引发了对基准测试本身信任和参与度的严重担忧。

解决方案：Google Cloud机密空间上的MedPerf

MedPerf与Google Cloud机密空间的集成正好解决了这个问题：在保护医疗数据的同时，同时保护模型权重和基准测试结果。

这一集成为MedPerf用户带来了四大关键优势：

• 用于医疗AI的全球测试数据集——实现前所未有的评估规模

• 患者数据受到保护 – 数据始终保留在数据所有者的安全环境中

• 模型知识产权受到保护 – 模型权重始终保持加密状态，未经授权的人员无法访问

• 无需数据共享 – 结果在传输前已进行汇总和加密

演示：逐步进行的安全基准测试

基准机构首先在 MedPerf 服务器上发布基准测试，描述基准测试的目标、数据准备指南和评估标准。数据所有者和 AI 模型所有者随后将私有资产的元数据注册到 MedPerf 服务器，并将注册信息与基准测试关联。

私有资产使用 Google Cloud 的 Cloud Key Management Service（Cloud KMS）进行加密后上传至 Google Cloud Storage 存储桶。Cloud KMS 和存储桶的访问权限由 Google Cloud 工作负载身份池管理，该机制仅允许来自具有特定测量值（如基准容器哈希和输入哈希）的机密虚拟机的请求访问。

当执行测试时，数据所有者在 Confidential Space 虚拟机中运行基准容器。容器会接收可信执行环境配置的加密证明，并据此从模型所有者和数据所有者的工作负载身份池获取访问令牌。这些令牌用于检索并解密模型和数据集，执行推理后，结果使用数据所有者的公钥进行加密，加密后的结果返回至数据所有者的存储桶。

下方视频演示了脑肿瘤分割 AI 模型在 Google Cloud 上临床数据集中的运行过程：

▶️ 观看演示

社区声音

“我在 Google Cloud 上测试联邦学习的体验表明，医疗 AI 的未来在于安全、可扩展且协作的云环境。将测试流程从受控实验室环境扩展到生产就绪的基础设施，为评估联邦学习在真实临床应用中的性能和安全性提供了独特机会。FeTS 社区、MLCommons 与 Google Cloud 的合作展示了可扩展云解决方案如何加速神经放射学领域高精度诊断工具的开发。” – 西北大学 Yury Velichko 博士

“联邦学习为医疗多站点协作提供了范式转变，使我们能够快速获取来自多样化患者群体的前所未有的知识，从而构建具有实际临床影响的稳健通用 AI 模型。安全性和隐私保护是首要考虑因素，以确保与联邦学习相关的资产始终受到保护。使用 Google Cloud 上的 MLCommons MedPerf 在机密计算基础设施上训练和评估 AI 模型，为大规模真实临床相关 AI 研究提供了一个完整的示范性解决方案，例如可以追踪 AI 模型在获得 FDA 批准后持续表现的能力。” – 印第安纳大学医学院 Spyridon Bakas 博士

“可信赖医疗AI面临的一大障碍，是真实世界数据需求与数据保护需求之间的矛盾。将MedPerf与Google Cloud的Confidential Space集成，为这一矛盾提供了切实可行的解决方案——这也是MLCommons社区努力推动实现的成果。我们很自豪地展示当开放协作与生产级安全基础设施结合时所能实现的成果。” – Alexandros Karargyris，MedPerf负责人，MLCommons

加入MedPerf社区

MedPerf是由医疗AI社区开发的开源项目，旨在解决实际需求。得益于MLCommons社区的贡献，MedPerf已支持多项具有影响力的临床AI研究，包括FeTS挑战赛和针对脑肿瘤的FeTS 2.0。

我们知道还有更多工作需要完成，而这需要您的帮助。我们正在寻找：

• 有志于领导全球临床AI研究的科研调查员
• 希望基于真实世界医疗数据构建颠覆性AI的计算专家
• 旨在改进真实世界基准测试技术的基础设施工程师
• 能为医疗数据访问控制和政策提供建议的隐私与治理专家
• 能为真实世界基准测试监管对齐提供建议的监管专家

致谢

参与MedPerf保密计算集成的贡献者包括Google Cloud团队负责人Nelly Porter、印第安纳大学医学院的Spyridon Bakas博士、西北大学的Yury Velichko博士，以及阿尔伯塔大学的Amber Simpson博士（此前任职于女王大学）。

分类

医疗

新闻

科学

作者

ML Commons

分享

• 邮件分享
• Facebook分享
• LinkedIn分享
• X平台分享
• 复制链接