Mejora del análisis de supervivencia mediante aprendizaje federado en escenarios de datos no IID y escasos

Área de la Ciencia:

• Análisis de Atención Sanitaria
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• El análisis de supervivencia (SA) en la atención sanitaria se enfrenta a desafíos de escasez de datos, heterogeneidad y preocupaciones de privacidad.
• Los métodos de IA tradicionales y modernos luchan con estas limitaciones, lo que dificulta las predicciones personalizadas de los resultados de los pacientes.
• El aprendizaje federado (FL) ofrece beneficios de privacidad, pero requiere un manejo robusto de los datos para tareas complejas de SA.

Objetivo del estudio:

• Introducir el marco de intercambio de datos sintéticos federados (FedSDS) para el análisis de supervivencia colaborativo que preserva la privacidad.
• Abordar la escasez y heterogeneidad de datos en conjuntos de datos sanitarios del mundo real utilizando la generación de datos sintéticos y FL.
• Mejorar el rendimiento y la generalización de los modelos de IA en entornos descentralizados de SA.

Principales métodos:

• Integración de la generación de datos sintéticos (SAVAE) con el aprendizaje federado (FL) en el marco FedSDS.
• Utilización de un modelo de mezcla gaussiana bayesiana de autoencoder variacional con sesgo inductivo para datos sintéticos de alta calidad.
• Implementación de una estrategia de agregación sesgada para alinear los datos sintéticos con las distribuciones locales, mejorando la agregación federada.

Principales resultados:

• FedSDS demostró mejoras significativas de rendimiento en el análisis de supervivencia tanto en escenarios IID como no IID.
• El marco mitiga eficazmente los problemas derivados de desequilibrios y heterogeneidad de datos.
• FedSDS superó a los métodos tradicionales de FL en escenarios con datos escasos y heterogéneos.

Conclusiones:

• FedSDS proporciona una solución escalable y que preserva la privacidad para el análisis de supervivencia colaborativo en entornos sanitarios descentralizados.
• El marco mejora la generalización y robustez del modelo, crucial para aplicaciones del mundo real.
• FedSDS facilita la mejora de las predicciones de los resultados de los pacientes y promueve una mayor adopción de técnicas federadas en la atención sanitaria.