基于联合学习的新生儿重症监护室的隐私保护婴儿睡眠和觉醒检测:一个多中心临床研究

科学领域:

• 新生儿重症监护室 (NICU) 的研究.
• 计算神经科学是一种计算神经科学.
• 医疗信息学医学信息学

背景情况:

• 监测婴儿的睡眠和清醒周期对于评估生理和神经发育状态至关重要.
• 基于摄像头的婴儿睡眠和清醒检测在NICU已经显示出希望,但面临隐私问题,由于集中数据聚合.
• 传统的单一医院培训模式缺乏通用性,并且在数据传输时引发隐私问题.

研究的目的:

• 开发一种保护隐私的多中心方法,用于使用联合学习检测婴儿的睡眠和清醒周期.
• 评估联合学习模型与传统单一医院培训的性能.
• 为了应对在开发准确的婴儿睡眠监测系统中的泛化挑战.

主要方法:

• 这是一项多中心临床研究,涉及四个NICU的100名早产和晚产婴儿的视频数据.
• 使用联合学习方法 (FedAvg,FedOpt,FedNova) 的分布式模型培训.
• 联合学习模式与传统单一医院培训方法的比较.

主要成果:

• 联合学习显著优于传统的单一医院培训,在准确性,精度,回忆和F1得分方面提高了12-15%.
• 联合学习方法有效地消除了与医院间数据传输相关的隐私问题.
• 与在单一医院隔离训练的模型相比,观察到更好的模型概括.

结论:

• 联合学习为多中心婴儿睡眠和清醒周期监测提供了强大的解决方案,提高了准确性和通用性.
• 这种分布式方法通过避免机构之间直接传输数据,有效地保护婴儿的隐私.
• 联合学习对于在NICU中开发可靠和安全的AI驱动的医疗保健解决方案来说是一个重大进步.