心中的精度:基于物联网的垂直联合学习方法,用于异质数据驱动的心血管疾病风险预测

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗保健技术 技术 医疗保健 技术

背景情况:

• 心血管疾病 (CVD) 构成重大健康风险,需要早期检测和缓解策略.
• 像可穿戴设备和物联网这样的消费电子产品为增强心血管疾病预测提供了潜力.
• 机器学习 (ML) 对心血管疾病风险预测至关重要,但数据隐私问题阻碍了模型训练.
• 联合学习 (FL) 允许在不共享原始数据的情况下进行分布式ML模型训练,但需要在客户端中提供统一的功能.

研究的目的:

• 为消费电子平台量身定制的CVD风险预测提出一种新的垂直联合学习 (VFL) 方法.
• 为了实现神经网络 (NN) 模型的分布式训练,在不同方拥有不同的数据特征的情况下.
• 为了应对训练CVD预测的ML模型的挑战,同时保持用户数据隐私.

主要方法:

• 开发了一种VFL方法,每个方在本地处理其独特的数据特征.
• 只有必要的中间信息才能在双方之间转移到共同的NN模型培训中.
• 该方法在各种用例中进行了测试,数据分布在患者,医院,医生,实验室和心电图中心 (2至4个分割) 之间.

主要成果:

• 拟议的VFL方法在现实数据集上实现了大约90%的准确性,精度,回忆和f-score.
• 与传统的FL不同,这种方法不要求所有客户拥有相同的特征.
• 用异质数据证明分布式心血管疾病预测的可行性和有效性.

结论:

• VFL方法通过解决疾病预测中的用户数据隐私问题,对医疗保健部门产生重大影响.
• 这一进步通过改进的人工智能提高了医疗保健中的诊断能力.
• 通过完善用于实际应用的FL算法,为分布式人工智能领域做出贡献.