在精准医学中准代表性不足的人口:一种联合转移学习方法

科学领域:

• 基因组学就是基因组学.
• 生物统计学 生物统计学
• 健康差距 研究 研究 研究 研究

背景情况:

• 在临床和基因组学研究中少数群体和弱势群体的有限代表性阻碍了精准医学.
• 由于人口异质性,预测模型在代表性不足的群体中往往表现不佳,从而加剧了健康差异.

研究的目的:

• 引入FETA,一种联合转移学习方法,用于整合来自不同群体和机构的异质数据.
• 通过在样本大小有限的群体中提高模型性能,解决精准医学方面的挑战.

主要方法:

• FETA使用双向数据集成方法与联合转移学习.
• 该方法整合了来自多个医疗机构的数据,专注于数据有限的目标人群.
• 理论分析和模拟评估了基于沟通,隐私和异质性的FETA准确性.

主要成果:

• 通过最少的沟通,FETA实现了与聚合分析 (直接数据共享) 相似的预测性能.
• 该方法与仅在目标数据,仅在源数据或不考虑人口差异的所有数据上训练的模型相比,显示出更高的预测性能.
• 通过使用eMERGE网络数据,FETA成功构建了极度肥胖的遗传风险预测模型.

结论:

• 为了改进预测模型,FETA有效地整合了来自不同人群的异质数据.
• 该方法有可能在代表性不足的人群中提高估计和预测准确性.
• 在不同人群中,FETA可以帮助减少预测模型中的绩效差距,促进健康公平.