基于高斯核和差异隐私的联合集群算法的应用,用于肺癌的识别

科学领域:

• 医疗数据分析 医学数据分析
• 计算生物学 计算生物学
• 保护隐私的机器学习

背景情况:

• 在大数据时代,医疗数据隐私至关重要.
• 差异隐私 (DP) 是保护敏感信息的一个关键技术.
• 准确的癌症检测和分类对于患者的治疗结果至关重要.

研究的目的:

• 引入一个新的算法,DPFCM_GK,用于增强癌症检测,同时保护隐私.
• 评估DPFCM_GK对肺癌数据集的性能.
• 为了证明算法能够平衡准确性,隐私和计算效率的能力.

主要方法:

• 开发DPFCM_GK,集成差异隐私与模糊的c-means (FCM) 集群和高斯核.
• 在公开可用的肺癌数据集 (UCIML,NLST,NSCLC) 和医院数据集 (LLCS) 上测试DPFCM_GK.
• 与其他方法相比,分析了聚类准确性,隐私预算 (ε) 影响,融合速度和运行时间效率.

主要成果:

• 在多个数据集上,DPFCM_GK实现了高集群精度和增强的隐私,在较低的隐私预算 (ε) 中获得最佳结果.
• 该算法显示了比DPFCM更快的融合和更少的代,运行时间减少了统计学上显著的减少.
• 与UCIML数据集中的其他隐私保护模型相比,DPFCM_GK显示了显著的运行时间减少,并在NLST和NSCLC数据集上保持了效率.

结论:

• DPFCM_GK是医疗数据分析的实用和有效解决方案,在准确性,隐私和效率之间提供了强大的平衡.
• 算法显示了显著的改进,特别是在低隐私预算场景中.
• DPFCM_GK在保护隐私的癌症检测和分类方面取得了宝贵的进步.