基于知识抽象和过的联合学习在医疗保健中对异质数据视图进行了抽象和过

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 数据 隐私 数据 隐私 数据

背景情况:

• 在全球范围内交换医疗保健数据对于洞察力和临床模型开发至关重要,但受到隐私法规的阻碍.
• 联合学习 (FL) 为多机构模式培训提供了一种保护隐私的方法.
• 电子医疗记录 (EHR) 的异质性对FL的实施构成重大挑战,通常需要大量的预处理,并导致信息丢失.

研究的目的:

• 引入一个新的联合学习框架,旨在处理电子医疗记录 (EHR) 中的数据视图异质性.
• 为了使多样化的数据集在没有手动数据对齐或信息丢失的情况下实现联合学习.
• 促进从分布式,异质的医疗保健数据中开发通用的临床模型.

主要方法:

• 开发了一个基于知识抽象和过的联合学习 (FL) 框架.
• 该框架将原始输入数据表示映射到统一的,语义丰富的共享空间中.
• 这种方法使FL在异质数据视图上变得更容易,绕过了手动对齐的需要.

主要成果:

• 拟议的框架有效地解决了联合学习场景中的数据视图异质性.
• 实验表明,在各种医疗数据集中,成功共享信息和全球模型培训.
• 该方法克服了与不一致的EHR数据格式相关的常见挑战.

结论:

• 基于知识抽象和过的FL框架为保护隐私的协作学习提供了强大的解决方案,使用异构的EHR数据进行协作学习.
• 这种方法提高了开发通用临床模型的可行性,通过在不同的数据集上实现有效的FL.
• 该研究强调了先进的FL技术在尊重数据隐私的同时释放全球健康洞察力的潜力.