Un enfoque adaptativo basado en el aprendizaje federado ponderado fusionado para la predicción de drogas en etapa...

Área de la Ciencia:

• Biología computacional y bioinformática
• Aprendizaje automático en la salud
• Privacidad y seguridad de los datos

Sus antecedentes:

• La predicción temprana precisa del fármaco es vital para el apoyo a la decisión clínica.
• La privacidad de los datos de los pacientes es una preocupación crítica en el cuidado de la salud.
• Los métodos existentes a menudo requieren datos centralizados, lo que plantea riesgos para la privacidad.

Objetivo del estudio:

• Desarrollar un marco de preservación de la privacidad para la capacitación conjunta de predicción de drogas en las instituciones de salud distribuidas.
• Introducir el marco de aprendizaje federado adaptativo ponderado fusionado (FWAFL).
• Mejorar la precisión y la robustez de los primeros modelos de predicción de fármacos.

Principales métodos:

• Implementó un marco de aprendizaje federado adaptativo ponderado fusionado (FWAFL).
• Se utilizó el entrenamiento descentralizado de perceptrones multicapa en conjuntos de datos tabulares de medicamentos.
• Utilizó actualizaciones de modelos locales y ponderación adaptativa a nivel de cliente.
• Se ha creado un modelo de conjunto mediante la media ponderada de los parámetros locales.

Principales resultados:

• El marco FWAFL logró una precisión de 0,927 con una tasa de error de 0,073.
• Superó los enfoques federados y centralizados de referencia en precisión y robustez.
• Se ha demostrado la eficacia de la generalización y la mejora del rendimiento, preservando al mismo tiempo la privacidad de los datos.

Conclusiones:

• El enfoque FWAFL propuesto garantiza una predicción temprana de drogas segura y que preserva la privacidad.
• Ofrece una solución prometedora para entornos de atención médica del mundo real que requieren descentralización de datos.
• El modelo de aprendizaje federado adaptativo identifica efectivamente los tratamientos desde el principio en la industria de la salud.