从多模式数据中识别自闭症谱系障碍,并保护隐私

科学领域:

• 人工智能在医学中的应用
• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学

背景情况:

• 为了准确的医学诊断,深度学习需要大量的数据集,但数据隐私阻碍了多机构的数据聚合.
• 目前使用多式联络数据对自闭症谱系障碍 (ASD) 的自动诊断显示了低于最佳的性能.
• 现有的方法在隐私保护和异质医疗数据的有效融合方面扎.

研究的目的:

• 提出一个保护隐私的深度学习框架,以使用多式联络数据改善ASD诊断.
• 为应对跨机构汇总敏感医疗数据的挑战.
• 通过先进的特征融合技术来提高ASD识别的性能.

主要方法:

• 开发了一个联合学习框架 (FedHNN),集成多式联接特征和超图神经网络.
• 员工联合学习用于分布式模型培训,无需直接共享数据,确保隐私.
• 利用高图融合策略来捕捉ASD诊断的模式间互补性和相关性.

主要成果:

• 拟议的FedHNN模型在与单个本地模型相比显示出更高的性能.
• 在ASD识别任务中,FedHNN的表现优于其他深度学习模型.
• 该框架有效地利用了多个站点的数据,以提高诊断准确度,同时保持隐私.

结论:

• 联合学习与超图神经网络相结合,为保护隐私的多机构医疗数据分析提供了强大的解决方案.
• 该FedHNN框架显著提高了自闭症谱系障碍诊断的性能.
• 这种方法促进了用于精准医学的可扩展和准确的深度学习模型的开发.