結腸直腸外科における90日間の死亡率の予測のための統合学習のプライバシー保護:多中心の遡及的開発および比較研究

科学分野:

• 手術用人工知能
• 医療における機械学習
• 医療研究におけるデータプライバシー

背景:

• 限られたデータが 手術におけるAIの進歩を妨げています
• 連邦学習 (FL) は,マルチセンターAIモデルに対するプライバシー保護の分散型アプローチを提供します.
• この研究では,大腸直腸外科手術による死亡率を予測するために,差異的プライバシー (DP) を備えたFLを調査しています.

研究 の 目的:

• 結腸直腸手術後の90日間の死亡率を予測するための統合学習ネットワークを開発し評価する.
• 集中モデルと比較したFLのパフォーマンスを評価する.
• モデルの精度に対する差異的プライバシー (DP) の影響を調査する.

主な方法:

• 3つのセンターで選択的な結腸直腸手術を受けた2959人の患者の遡及分析 (2015年-2021年).
• 集中型および分散型FLを用いた死亡率予測のためのニューラルネットワーク (NN) の開発.
• ローカルと中央の差分プライバシー (DP) 技術の適用
• 受信機の動作特性下の面積 (AUROC) と精密リコール曲線 (AUPRC) を用いた性能評価.

主要な成果:

• 連邦学習 (FL) は,死亡率予測のための集中モデルよりも劣らないパフォーマンスを達成しました (AUROC: 0.78 vs. 0.81).
• セントラルDPはAUROCを5%AUPRCを45%削減した. ローカルDPはパフォーマンスを大幅に低下させた.
• 主な予測因子には,年齢,血液状態,チャールソン併発性指数が含まれています.

結論:

• 統合学習 (Federated learning, FL) は,手術用AIアプリケーションの集中型機械学習に適した代替手段となり,同様の性能を実現します.
• 強化されたデータ保護のための差別的なプライバシー (DP) の統合は,予測モデルの精度におけるトレードオフと関連しています.
• FLフレームワークは,データプライバシーの懸念に対処しながら,手術におけるAI開発を加速させる可能性を秘めています.