FedIMPUTE:对多站点异质电子健康记录的隐私保护缺失值赋值
Siqi Li1, Mengying Yan2, Ruizhi Yuan2
1Center for Quantitative Medicine, Duke-NUS Medical School, Singapore, Singapore.
Journal of biomedical informatics
|March 7, 2025
概括
联邦式学习方法FedIMPUTE提高了缺失值赋值 (MVI) 的准确性和下游预测性能. 这种保护隐私的方法有效地处理数据异质性,而不需要共享特定站点的数据.
科学领域:
- 机器学习 机器学习
- 数据科学数据科学数据科学
- 医疗信息学 医疗信息学
背景情况:
- 缺失值归算 (MVI) 对于数据分析至关重要.
- 数据共享的限制和人口异质性给MVI带来了挑战.
- 联合学习 (FL) 为协作分析提供了一个保护隐私的框架.
研究的目的:
- 为MVI引入FedIMPUTE,这是一个基于FL的沟通效率高的方法.
- 在多个网站上实现协作和保护隐私的MVI.
- 解决数据共享约束和MVI人口异质性的挑战.
主要方法:
- 在每个参与站点进行本地MVI.
- 不同的FL策略被应用在没有数据共享的情况下将本地MVI模型联合起来.
- 联邦模型在每个站点在MVI中使用.
主要成果:
- 在模拟研究中,FedIMPUTE的表现优于基线MVI方法.
- 该方法改善了下游预测性能,并处理了数据异质性.
- 在电子健康记录 (EHR) 上,FedIMPUTE 实现了卓越的归算准确性,通过较低的平均平方误差 (MSE) 证明了这一点.
结论:
- FedIMPUTE 增强了下游风险预测,特别是在缺少大量数据和小样本大小的网站上.
- 该方法易于实施,沟通效率高.
- 仅共享非患者级总结统计数据,确保隐私.
