通过深度神经网络进行联合学习:一种保护隐私的方法来增强心电图分类

科学领域:

• 人工智能在医学中的应用
• 心脏病学 心脏病学
• 机器学习用于医疗保健

背景情况:

• 越来越多的数据隐私法规需要新的医疗数据分析方法.
• 从心电图 (ECG) 数据中诊断心脏异常需要强大且保护隐私的机器学习模型.
• 传统的集中式培训模式需要共享敏感的患者数据,这会给隐私带来风险.

研究的目的:

• 评估联合学习 (FL) 在诊断心脏异常的有效性,使用心电图数据的深度残留网络.
• 将FL的表现与集中培训 (与数据共享) 和孤立培训场景进行比较.
• 评估FL模型在不同,未见的患者数据中的概括性.

主要方法:

• 利用了来自PhysioNet/Computing in Cardiology Challenge 2021的公开可用的心电图数据.
• 实施并比较了深度残余网络的三个联合学习算法.
• 与集中培训和孤立的本地培训模式对比,对FL的绩效进行了基准测试.

主要成果:

• 联合学习显著优于单独训练的心电图分类器.
• 全球训练的FL模型,当在本地微调时,超过了非协作方法.
• 在非分销数据上,FL取得了与集中培训相美的表现,表现出强烈的概括性.

结论:

• 联合学习为医疗保健中的协作心电图分析提供了一个可行的,保护隐私的解决方案.
• FL模型学习可概括的心脏特征,这些特征可以适应特定的机构数据集.
• 这种方法有效地解决了数据隐私问题,同时实现了强大的心脏异常诊断.