FGDN:一个联合图形卷积网络框架,用于多站点主要抑郁症障碍诊断

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 医疗保健数据庞大,多样化和动态,对像多个站点的重大抑郁障碍 (MDD) 数据集上的图形卷积网络 (GCNs) 等训练模型构成隐私挑战.
• 联合学习 (FL) 允许在没有直接数据共享的情况下进行模型训练,但现有的方法往往忽略了非图像数据,并与在多站点研究中常见的非独立和相同分布 (Non-IID) 数据进行斗争.
• 在FL中非IID数据可能会导致关键边缘信息的丢失,削弱联合模型的泛化.

研究的目的:

• 为多站点MDD诊断提出一个新的联邦图形卷积网络 (FGDN) 框架,以解决隐私问题和非IID数据挑战.
• 通过使用双图注意力网络 (DGAT) 模块,增强从大脑功能连接矩阵中捕获互补信息的功能.
• 通过使用联邦图卷积网络 (FedGCN) 模块,在联邦设置中的本地模型中减轻边缘信息的丢失.

主要方法:

• 从功能连接矩阵中提取线性和非线性信息,使用各种相关性测量.
• 实施双图注意网络 (DGAT) 模块,以整合来自不同相关性类型的互补信息.
• 应用联邦图形卷积网络 (FedGCN) 模块,从局部模型中汇总邻近节点的特征信息,解决缺失的边缘信息.
• 整合完全同型加密以确保患者数据隐私.

主要成果:

• 拟议的FGDN框架实现了MDD诊断的61.8%的分类准确度,使用来自三个地点的841名受试者的数据.
• 与最近的集中式和联合式学习框架相比,FGDN表现优越.
• 该方法有效地从大脑功能连接中挖掘特征信息,减轻因非IID数据而导致的信息丢失,并确保数据安全.

结论:

• FGDN框架提供了一个强大的,保护隐私的解决方案,用于使用联合学习进行多站点MDD诊断.
• 该DGAT和FedGCN模块有效地捕捉复杂的大脑连接模式,并减轻非IID数据带来的挑战.
• 这种方法对推进人工智能驱动的心理健康诊断具有重大前景,同时保持严格的患者隐私标准.