在结直肠外科手术中预测90天死亡率的隐私保护联合学习:多中心回顾性发展和比较研究
Max M Maurer1,2, Bjarne Pfitzner3, Robin P van de Water3
1Department of Surgery, Campus Charité Mitte | Campus Virchow-Klinikum, Charité - Universitätsmedizin Berlin, Berlin, Germany.
International journal of surgery (London, England)
|August 27, 2025
概括
联合学习 (FL) 显示了人工智能在手术中的前景,与预测结直肠手术死亡率的集中模型相匹配. 然而,差异性隐私 (DP) 集成影响了预测性能.
科学领域:
- 手术人工智能
- 在医疗保健中的机器学习
- 医学研究中的数据隐私
背景情况:
- 数据的有限性阻碍了人工智能在外科的发展.
- 联合学习 (FL) 为多中心人工智能模型提供了一种保护隐私的分散方法.
- 本研究探讨了具有差异隐私 (DP) 的FL用于预测结直肠手术死亡率.
研究的目的:
- 开发和评估一个联合学习网络,用于预测结直肠手术后的90天死亡率.
- 与集中式模型相比,评估FL的性能.
- 研究差异隐私 (DP) 对模型准确性的影响.
主要方法:
- 在三个中心 (2015-2021) 接受选择性结直肠手术的2959名患者的回顾性分析.
- 使用集中和分布式FL进行神经网络 (NN) 预测.
- 应用本地和中央差异隐私 (DP) 技术
- 使用接收器操作特征下的面积 (AUROC) 和精度回忆曲线 (AUPRC) 的性能评估.
主要成果:
- 联合学习 (FL) 的表现与死亡率预测的集中模型相比不差 (AUROC:0.78对比0.81).
- 中央DP降低了AUROC5%和AUPRC45%;地方DP显著降低了业绩.
- 确定的主要预测因素包括年龄,血液状况和查尔森并发症指数.
结论:
- 联合学习 (FL) 为手术人工智能应用提供了集中式机器学习的可行替代方案,实现了可比性能.
- 整合差异性隐私 (DP) 以加强数据保护与预测模型准确性的权衡有关.
- 在处理数据隐私问题时,FL框架有可能加速外科人工智能开发.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
193
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
14.6K
