PPFL:一个个性化的渐进式联合学习方法,利用不同的医疗机构特定特征

科学领域:

• 医疗保健中的人工智能
• 机器学习 机器学习
• 数据 隐私 数据 隐私 数据

背景情况:

• 联合学习 (FL) 允许在分布式医疗数据上进行协作模式培训,同时保持隐私.
• 传统的FL与异质数据扎,因为机构收集不同的特征.
• 利用机构数据多样性对于提高预测模型性能至关重要.

研究的目的:

• 引入个性化的进步联合学习 (PPFL) 方法.
• 为了应对在医疗保健中利用FL的客户特定特性所面临的挑战.
• 评估PPFL在使用现实世界数据集提高预测准确性的有效性.

主要方法:

• 开发了一种针对异质分布客户端的PPFL算法.
• 将客户特定的功能纳入联合学习框架.
• 评估PPFL与传统模型 (当地培训,FedAvg) 相比,用于医院死亡率预测.
• 利用现实世界的医疗保健数据集,包括死亡率和癌症数据.

主要成果:

• 在医院死亡率预测方面,PPFL取得了卓越的表现,准确度为0.941和AUROC为0.948.
• PPFL的表现超过了当地模型和FedAvg算法的表现.
• 该模型在癌症数据集上显示了可比的有效性.
• 确定了对特定客户的关键特征,这些特征有助于死亡率预测.

结论:

• 在一个联合的学习框架内,PPFL有效地利用了独特的,机构特有的特点.
• 个性化方法在异质的医疗保健数据设置中提高了模型性能.
• 在各种临床应用中,PPFL为保护隐私的协作AI提供了一个有前途的解决方案.
• 这种方法扩大了个性化的垂直特征学习的特征空间.