一个联合的学习架构,用于安全和私有的神经成像分析

科学领域:

• 神经成像是一种神经成像.
• 生物医学数据分析
• 机器学习 机器学习

背景情况:

• 由于安全,隐私和监管方面的担忧,生物医学数据的快速增长给多站点分析带来了挑战.
• 联合学习提供了一个解决方案,通过实现分布式模型培训,而无需直接共享数据.

研究的目的:

• 引入MetisFL,一个专为神经网络模型的安全和私有分布式训练而设计的联合学习架构.
• 评估MetisFL在异质联合环境中的神经成像任务中的性能.

主要方法:

• 利用联合学习进行分布式神经网络训练,在私有数据上训练本地模型.
• 实施强有力的安全措施,包括加密参数传输和完全同态加密,用于全球模型聚合.
• 采用信息理论方法来缓解潜在的数据泄露,并防止模型倒置和成员推断等对抗性攻击.

主要成果:

• 证明了MetisFL在执行神经成像应用程序的安全和私有联合学习方面的有效性.
• 成功地应用了该架构来预测阿尔茨海默病,并从磁共振成像 (MRI) 数据中估计大脑年龄差距 (BrainAGE).
• 在具有挑战性的,异质的联合设置中验证了性能,数据分布和数量在各站点之间各不相同.

结论:

• MetisFL提供了一个安全和私密的框架,用于对敏感的生物医学数据进行协作分析,特别是在神经成像中.
• 该架构有效地解决了数据异质性和多站点研究中的隐私问题所带来的挑战.
• 由MetisFL实施的联合学习是通过分布式数据分析推进医学研究的可行和强大的方法.