一种基于学习的去中心化联合癌症生存预测方法,具有隐私保护

科学领域:

• 计算生物学是一种计算生物学.
• 精准医学是一门精准的医学.
• 数据科学是数据科学.

背景情况:

• 准确的癌症生存预测对于精准医学中的个性化治疗至关重要.
• 整合多样化的患者数据是具有挑战性的,因为数据孤岛,隐私问题,和机构的变化.
• 联合学习提供了一个解决方案,可以在没有直接数据共享的情况下进行协作模式培训.

研究的目的:

• 为整合来自多个机构的癌症数据开发一个保护隐私的框架.
• 通过联合学习提高癌症生存预测的准确性.
• 确保预测模型的生物解释性.

主要方法:

• 开发了AdFed,这是一个基于学习的联合数据集成框架.
• 利用分散的联合学习技术和规范化方法来保护隐私.
• 在来自多个机构的多种癌症数据集上测试AdFed.

主要成果:

• 与其他联合学习方法 (平均AUC = 0.554) 相比,AdFed在癌症生存预测方面取得了更好的表现 (AUC = 0.605).
• 该框架成功确定了与肝癌相关的10个基因,其中5个通过文献审查得到验证.
• 通过将已识别的基因与已知的癌症途径联系起来,证明了生物解释性.

结论:

• AdFed有效地集成分散的癌症数据,以改善生存预测,同时保持数据隐私和完整性.
• 该框架比现有的联合学习方法提供了更高的准确性和生物解释性.
• AdFed支持精准医学,通过提供强有力的,对隐私有意识的生存评估.