针对多主题的联合学习:帕金森病的绩效评估

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 医疗保健中的人工智能

背景情况:

• 在omics中的机器学习 (ML) 应用受到数据访问的限制.
• 联合学习 (FL) 为跨机构的协作数据策划提供了一个解决方案.
• 帕金森病 (PD) 研究可以从应用到多omics数据的先进ML技术中受益.

研究的目的:

• 为了比较FL训练模型与经典训练ML模型的性能,用于多omics PD预测.
• 评估联邦内部样本分散对FL模型性能的影响.
• 突出应用FL在多主题研究中的挑战和机遇.

主要方法:

• 使用FL训练的多个ML模型的模拟性能评估.
• 与使用传统集中方法训练的ML模型进行比较.
• 实施了几个开源的FL框架.
• 分析多omics数据用于帕金森病的预测.

主要成果:

• FL模型的性能与中央训练的ML模型的性能非常相似.
• 性能最好的FL模型的AUC-PR为0.876±0.009,仅略低于其集中式对应的AUC-PR.
• 联邦内部的样本分散有很大影响FL模型的性能.

结论:

• 联合学习是一种可行的方法,可以在多学科研究中训练高性能ML模型,即使使用分布式数据集.
• 在帕金森病等敏感研究领域,FL可以减轻数据访问限制.
• 基于数据分散的优化FL策略的进一步研究是有必要的.