联合图形神经网络中的协作权重用于疾病分类,使用循环中的人类

科学领域:

• 人工智能的人工智能
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 联合学习 (FL) 允许在不共享原始数据的情况下进行协作模式培训,从而保护隐私.
• 图形神经网络 (GNN) 擅长分析复杂的网络数据,例如蛋白质-蛋白质相互作用 (PPI) 网络.
• 人在循环 (HITL) 方法将人类专业知识整合到人工智能系统中,以提高准确性和可解释性.

研究的目的:

• 开发一个新的框架,整合疾病分类的联合学习,GNN和HITL.
• 在数字医学中增强保护隐私的AI.
• 提高医疗保健中AI模型的可解释性和透明度.

主要方法:

• 采用了基于集体的深度学习方法.
• 在PPI网络中的子图中应用了协作投票机制.
• 人类在循环中的方法被纳入代改进.

主要成果:

• 该框架通过利用分布式数据成功对疾病进行了分类.
• 与传统方法相比,这种方法显示出更好的隐私保护.
• 整合GNN和协作投票改善了模型的可解释性.

结论:

• 拟议的框架代表了隐私意识和可解释的AI用于疾病分类的重大进步.
• 这种方法有助于个性化数字医学的负责任发展.
• 联合学习,GNN和HITL的整合为敏感健康数据分析提供了强大的解决方案.