一个保护隐私的可靠的深度联合学习模型,用于从基因组序列中识别新的感染
Sk Tanzir Mehedi1, Lway Faisal Abdulrazak2,3, Kawsar Ahmed4,5,6
1Department of Information and Communication Technology, Mawlana Bhashani Science and Technology University, Santosh, Tangail, 1902, Bangladesh.
Scientific reports
|March 2, 2025
概括
这项研究引入了一种保护隐私的深度联合学习 (DFL) 模型,用于从基因组序列 (GSs) 识别新的感染. DFL方法提高了数据安全性,并实现了高精度的感染检测.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 医疗保健中的机器学习
背景情况:
- 使用基因组序列 (GSs) 的传统分子识别方法由于数据传输而面临隐私和安全挑战.
- 敏感的医疗数据需要强大的隐私保护技术来准确识别感染.
- 深度联合学习 (DFL) 为分散,安全分析敏感数据集提供了一个有前途的解决方案.
研究的目的:
- 提出一种可靠且保护隐私的基于DFL的模型,用于识别GSs的新感染.
- 解决关于患者数据隐私和安全的传统方法的局限性.
- 开发一个针对新感染的识别优化的自动特征选择机制.
主要方法:
- 开发一个维护隐私的基于DFL的LeNet模型用于感染识别.
- 实施针对新感染检测的自动有效特征选择.
- 使用分布在多个客户端的真实世界基因组序列数据评估模型的性能.
主要成果:
- 拟议的DFL模型实现了99.12%的整体准确性.
- 性能指标包括98.23%的精度,98.04%的回忆和96.24%的F1分数.
- 该模型显示了与基准模型相比的显著改进,ROC AUC为98.24%,Cohen的kappa为83.94%.
结论:
- 开发的DFL模型提供了一个安全而准确的替代方案,用于识别GSs的新感染.
- 该模型有效地平衡了高性能与严格的患者数据隐私和安全要求.
- 经验结果支持该模型在识别多种病毒菌株方面具有更广泛应用的潜力.
