FGLFA:一个基于联邦图学习的跨网络层特征对齐模型,用于识别主要抑郁障碍

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 集中用于重大抑郁症 (MDD) 研究的医疗数据集受到隐私,安全和存储方面的担忧的阻碍.
• 联合学习 (FL) 允许在没有数据集中的情况下进行协作模式培训,但通常在不同站点之间与数据异质性作斗争.

研究的目的:

• 提出基于联邦图形学习的跨网络层特征对齐 (FGLFA) 模型,以改进MDD识别.
• 解决医疗数据集联合学习中的数据异质性挑战.

主要方法:

• FGLFA模型使用在每个站点独立训练的图形采样和聚合 (GraphSAGE) 网络来提取图形结构特征.
• 剩余连接 (RCs) 被集成到 GraphSAGE 网络中,以减轻梯度消失和加速融合.
• 使用特征对齐模块协调跨网络层特征,减少站点之间的分布差异.

主要成果:

• 在三个独立站点中,FGLFA模型实现了65.1%的平均精度 (ACC) 和70.9%的F1得分.
• 拟议的方法在主流联合范式上表现出一致的优势,减少了23%的差异,并提高了MDD识别的准确性.

结论:

• FGLFA模型为保护隐私的协作MDD识别提供了一个有效的解决方案.
• 这种方法为早期诊断和治疗脑疾病提供了更有效的工具,克服了数据异质性问题.