维护隐私的联合学习框架多源电子健康记录 预后预测预测

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:

• 对于临床预测而言,深度学习需要大量的数据,而这些数据往往受到电子健康记录中的隐私法规的阻碍.
• 由于隐私和安全问题,跨机构共享患者数据受到限制,特别是在健康危机期间.

研究的目的:

• 开发一个安全的联合学习框架 (MultiProg),用于协作临床代表性学习.
• 使多个医疗机构能够在不交换敏感患者数据的情况下改进预测模型.

主要方法:

• 实施了一个安全的联合学习框架,具有多道架构.
• 机构只共享低级特征提取层,以保护患者信息.
• 引入了用于处理异质数据集的特征校准机制.

主要成果:

• MultiProg成功实现了跨机构的安全知识共享,而不会影响患者数据隐私.
• 与单独训练的模型相比,该框架实现了增强的预测能力.
• 在多个数据集上,与最先进的方法相比,在统计学上表现出显著的性能改善.

结论:

• 联合学习为临床预测中的保护隐私的合作提供了一个可行的解决方案.
• MultiProg有效地平衡了数据隐私与对强大和准确的临床模型的需求.
• 拟议的特征校准确保了在各种机构数据中可靠的性能.