使用联合学习来检测延迟脑性缺血的一个可概括的生理模型
Ahmed Elhussein1, Murad Megjhani2, Daniel Nametz2
1Department of Biomedical Informatics, Columbia University, New York Genome Center, New York, NY, USA.
Proceedings. IEEE International Conference on Bioinformatics and Biomedicine
|February 23, 2024
概括
联合学习 (FL) 在各医院培训一个延迟脑缺血症 (DCI) 分类器. 当数据分布相似时,FL可以改善DCI检测,但如果分布有显著差异,则可以阻碍其.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 延迟大脑缺血症 (DCI) 是下大脑节出血后的一个关键并发症,经常被发现迟,并预测患者的治疗结果不佳.
- 机器学习显示了早期DCI检测的希望,但由于这种情况的稀有性,样本大小小小阻碍了模型训练.
- 当前各机构之间数据共享的局限性阻碍了强大的DCI预测模型的开发.
研究的目的:
- 开发和评估一个联合学习 (FL) 方法,在多个机构培训一个DCI分类器.
- 通过在没有直接数据共享的情况下实现协作模型培训来应对DCI等罕见疾病的有限数据可用性的挑战.
- 调查特征分布相似性对DCI预测中的FL模型性能的影响.
主要方法:
- 一个联合学习框架被实施,用于在三个不同的机构中合作培训DCI分类器.
- 开发了一种联合的特征选择方法,并集成到FL管道中.
- 建立了一个联合集体分类器,并将其性能与每个站点独立训练的模型进行比较.
主要成果:
- 飞行模型在三个参与站点中的两个站点展示了显著的性能改进.
- 绩效增长与各机构特征分布的相似性相关.
- 在某些情况下,跨站点的异质特征分布导致了性能退化,突出了FL的潜在挑战.
结论:
- 联合学习提供了一种可行的策略,通过利用多机构数据来加强DCI检测.
- FL的有效性取决于参与站点之间的数据分布的相似性.
- 在FL实施之前评估数据集分布相似性对于优化模型性能和避免潜在的负面影响至关重要.
