联合学习预测壮病患者的术后缓解:一项多中心研究
Wentai Zhang1, Xueyang Wu2, He Wang3
1Department of Thoracic Surgery, Peking University First Hospital, Beijing, China.
World neurosurgery
|November 1, 2024
概括
分散的联合学习 (DFL) 为多中心研究提供了一个强大的框架,使机器学习 (ML) 能够在没有数据共享的情况下实现. 这种方法与集中式数据模型的性能相匹配,增强了临床研究能力.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 临床数据分析 临床数据分析
背景情况:
- 分散的联合学习 (DFL) 在多中心临床研究中为机器学习 (ML) 提供了一个可行的框架.
- 通过避免直接共享数据,DFL最大限度地提高了临床数据的实用性,同时确保了患者的隐私.
- 本研究介绍了第一个针对多中心环境中的ML任务设计的DFL工作流,其目标是与集中数据方法相提并论的性能.
研究的目的:
- 在多中心临床研究中提出和验证一种新的去中心化联合学习 (DFL) 工作流程,用于机器学习 (ML) 任务.
- 证明拟议的DFL工作流可以实现与使用集中数据的传统方法相当的性能.
- 建立DFL作为多中心研究的强大和适当的方法,鼓励其在临床环境中更广泛地采用.
主要方法:
- 实施了四步DFL工作流:注册,本地计算,模型更新和检查.
- 在多个中心利用了北京联合医学院医院的598名积病患者和武医院的120名患者的数据.
- 机器学习模型 (逻辑回归,梯度增强决策树,SVM,DNN) 使用九个临床特征进行训练,其性能由AUC-ROC评估.
主要成果:
- 使用DFL工作流进行训练的模型与大多数后勤回归模型以及所有深度神经网络,SVM和梯度增强决策树模型相比,表现优越 (P <0.05).
- 用DFL工作流进行训练的模型的性能与在物流回归,DNN和SVM算法中使用集中数据进行训练的模型相当 (P > 0.05).
结论:
- 开发的DFL工作流是多中心研究中机器学习任务的有效和适当方法,消除了数据共享的需要.
- DFL的工作流显示出在各个部门的临床研究中更广泛应用的巨大潜力.
- 预计这种方法将鼓励和促进多中心研究的执行,增强合作研究努力.
