連邦学習と説明可能なAIを使用してβ-タラセミアキャリアの予測

科学分野:

• 医療診断 医療診断
• コンピュータ生物学 コンピュータ生物学
• 医療情報工学 医療情報工学

背景:

• ベータタラセミアは,効果的なキャリアスクリーニングを必要とする流行性遺伝性血液疾患です.
• 集中的なスクリーニング方法は,データ共有のためにプライバシーと法的課題 (GDPR,HIPAA) に直面しています.
• 診断のための機械学習は,データセキュリティの懸念と共同モデルの開発における困難によって妨げられています.

研究 の 目的:

• ベタタラセミアスクリーニングのプライバシー保護のための統合学習フレームワークを開発する.
• 診断予測を解釈し,重要な要因を特定するために説明可能なAI (XAI) を統合する.
• 連邦化されたマルチカーネルサポートベクトルマシン (SVM) モデルのパフォーマンスを評価する.

主な方法:

• 連邦化された平均化を使用して,連邦化されたマルチカーネル SVM フレームワークを開発しました.
• 線形,多項式,線形ベース関数,Deep Kernel (DK) を含む様々なカーネルを実装しました.
• モデル予測の説明性分析のための統合されたSHAPとLIME.

主要な成果:

• 統合されたモデルは,5,066のレコードで高い診断精度 (98.4%),感度 (99.2%),および特異性 (98.8%) を達成しました.
• 連邦化されたモデルの性能は,従来の集中的な方法と比較できます.
• ヘモグロビンレベルと体積の平均値は,ベータ・タラセミアの最も有意な予測因子として特定されました.

結論:

• XAIを備えた連邦化されたマルチカーネルSVMは,β-タラセミアスクリーニングのスケーラブルで,透明で,コンプライアントなソリューションを提供します.
• このアプローチは,高い診断精度を維持しながら,患者のプライバシーを効果的に保護します.
• この発見は,遺伝的疾患のスクリーニングのための分散医療システムにおける連邦学習の採用を支持しています.