为数字医疗保健提供统一公平的联合学习

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗保健信息学 医疗保健信息学
• 数字健康数字健康

背景情况:

• 联合学习 (FL) 允许在医疗保健领域进行协作模式培训,保护数据隐私.
• 现有的FL模型经常表现出公平性问题,导致不同患者亚群的绩效差异.
• 解决这些公平差距对于公平地在医疗保健中部署人工智能至关重要.

研究的目的:

• 提出一个统一的框架,联合学习与统一的公平目标 (FedUFO),以解决FL的各种公平水平.
• 确保FL模型中的所有子群体的一致性能.
• 提高FL在数字医疗保健及其他领域的整体有效性和公平性.

主要方法:

• 开发了FedUFO,这是一个新的框架,在FL中整合了各种公平考虑.
• 采用分布强大的优化和统一的不确定性来实现公平.
• 在联邦设置中验证了关于四个现实世界数字医疗保健任务的框架.

主要成果:

• 在所有子群体中,FedUFO表现一致,缓解了公平差异.
• 该框架的准确性与现有的最先进的方法相美.
• 对多个数字医疗保健任务的成功应用证实了该模型的有效性.

结论:

• 在联邦学习中,FedUFO提供了一种统一的方法来解决公平性挑战.
• 该框架促进数字医疗保健中的公平人工智能,增强社会公平.
• 这种协作机器学习范式在医疗保健和公平原则方面推进了人工智能.