Aprendizaje semi-federado interpretable para imágenes cardíacas multimodales y estratificación de riesgos: un marco...

Área de la Ciencia:

• Predicción de las enfermedades cardiovasculares
• Aprendizaje automático en la salud
• Aprendizaje federado para datos médicos

Sus antecedentes:

• Los datos cada vez más diversos de pacientes cardíacos de hospitales y dispositivos portátiles requieren modelos predictivos avanzados.
• Los modelos existentes a menudo carecen de personalización, interpretabilidad y sólidas salvaguardas de privacidad.
• Necesidad de sistemas de estratificación del riesgo en tiempo real y adaptados a los datos individuales de los pacientes.

Objetivo del estudio:

• Introducir PerFed-Cardio, un sistema de aprendizaje semifederado (Semi-FL) ligero e interpretable para la estratificación del riesgo cardiovascular en tiempo real.
• Utilice datos multimodales (imágenes cardíacas, señales fisiológicas, EHR) para una mayor precisión predictiva.
• Desarrollar un sistema consciente de la privacidad adaptable a fuentes de datos heterogéneas.

Principales métodos:

• Implementó un enfoque Semi-FL personalizado con nodos de alta capacidad (hospitales) y dispositivos de borde (dispositivos portátiles).
• Se emplean redes neuronales convolucionales ligeras con atención para el análisis de imágenes y la fusión basada en la atención para la integración de datos multimodal.
• Las explicaciones agnóstico-modelo integradas de interpretación local (LIME) y Grad-CAM para la transparencia del modelo.

Principales resultados:

• Se logró un AUC-ROC de 0,972 con una baja latencia de inferencia de 130 ms en conjuntos de datos multimodales reales.
• Reducción de la carga de comunicación en un 28% a través de la calibración personalizada del modelo y la capacitación específica.
• Mantuvo una puntuación F1 superior al 92% incluso en condiciones de datos ruidosas.

Conclusiones:

• PerFed-Cardio demuestra una solución escalable, consciente de la privacidad e interpretable para la evaluación del riesgo cardíaco.
• La naturaleza adaptativa del sistema permite manejar eficazmente los datos heterogéneos de los pacientes multimodal.
• Destaca el potencial de Semi-FL personalizado en los sistemas de apoyo a la decisión clínica en tiempo real.