差异隐私保护联合学习用于COVID-19患者的预后建模,使用大型多机构胸部CT数据集
Isaac Shiri1, Yazdan Salimi1, Nasim Sirjani2
1Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, Geneva, Switzerland.
Medical physics
|February 9, 2024
概括
深度学习模型可以使用胸部CT扫描来预测COVID-19的结果. 深度隐私保护联合学习 (DPFL) 显示了与集中式模型相比的性能,同时保护了患者数据隐私.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于疾病预测和预测.
- 为医疗保健提供联合学习.
背景情况:
- 深度学习 (DL) 对于COVID-19预后的临床采用是有限的.
- 以前的研究表明DL的效率,但需要改善临床整合.
- 这项研究解决了对于COVID-19预后的强大,多机构DL模型的需求.
研究的目的:
- 为了评估COVID-19结果预测的深度隐私保护联合学习 (DPFL).
- 评估DPFL的表现,使用来自大型多机构队列的胸部CT图像.
- 在准确性和隐私方面,将DPFL与集中式学习模型进行比较.
主要方法:
- 分析了来自19个中心的3055名COVID-19患者的队列.
- 深度学习模型 (DensNet) 使用集中式和DPFL方法进行训练.
- 胸部CT图像被处理用于特征提取,并构建了一个3D模型.
- 评估了会员推断攻击,以评估DPFL的隐私保护能力.
主要成果:
- 集中式和DPFL模型实现了可比性能 (精度为0.76比0.75).
- 两种模型都显示出相似的灵敏度 (0.74对0.73) 和特异性 (0.77).
- 曲线下的面积 (AUC) 值是可比的 (0.82对0.81),没有统计学上显著的差异 (p=0.98).
- DPFL模型对推断攻击具有抗性,平均AUC约为0.50.
结论:
- 在大型,异构的数据集上,DPFL模型的性能与集中式模型相美.
- 在多机构模式培训期间,DPFL确保数据隐私.
- 这项研究支持临床采用保护隐私的联合学习来预测COVID-19.
