基于对医疗保健物联网设备改进的粒子群集优化增强的联合学习

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 医疗保健技术 技术 医疗保健 技术

背景情况:

• 随着各种医疗保健数据的可用性不断增加,需要可靠的机器学习 (ML) 模型.
• 患者数据隐私问题和有限的设备功能有利于分散的ML方法,如联合学习 (FL).
• 由于高数据传输量,当前的FL聚合方法在不稳定的网络条件下难以准确.

研究的目的:

• 提出FedImpPSO,一种使用粒子集群优化 (PSO) 的增强联合学习聚合方法.
• 在不稳定的网络环境中提高FL模型的准确性和稳定性.
• 评估FedImpPSO在医疗保健应用中的有效性,特别是疾病分类.

主要方法:

• 开发了FedImpPSO,这是FL模型聚合的改进PSO算法,专注于分数值而不是原始权重.
• 修改了数据交换格式,以提高FL网络的速度和效率.
• 用CIFAR-10/100数据集与卷积神经网络 (CNN) 和两个医疗病例研究 (COVID-19分类,心血管疾病预测) 评估FedImpPSO.

主要成果:

• 在基准数据集上,FedImpPSO实现了比FedAvg平均8.14%的精度改善,比FedPSO平均2.5%的精度改善.
• 在医疗保健案例研究中,FedImpPSO表现出强的表现:77.90%的COVID-19 (超声波) F1得分,92.16%的COVID-19 (X射线) F1得分,91.18%的心脏病预测准确度.
• 拟议的方法在不稳定的网络条件下显著提高了准确性和稳定性.

结论:

• FedImpPSO有效地提高了联邦学习的准确性和稳定性,特别是在具有挑战性的网络环境中.
• 这种方法具有很大的潜力,可以在医疗保健中推进保护隐私的人工智能,改善诊断和患者的治疗结果.
• 在数据敏感领域,FedImpPSO为安全可靠的ML应用提供了一个有前途的解决方案.