在实验室的实体设备上部署基于ECG的临床决策支持系统的基于实验室的联合学习.

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 医疗事物的互联网 (IoMT)

背景情况:

• 联合学习 (FL) 对医疗保健中保护隐私的临床决策支持系统 (CDSS) 至关重要.
• 大多数FL研究仅限于模拟,缺乏现实世界的验证.
• 将FL集成到IoMT中为分散的,安全的医疗数据分析提供了潜力.

研究的目的:

• 为临床决策支持系统 (CDSS) 提供一个完全部署的,现实世界的联合学习 (FL) 系统.
• 在异质物联网 (IoT) 边缘设备上使用心电图 (ECG) 心律失常检测场景来验证系统.
• 在不分享敏感患者数据的情况下演示协作模型培训.

主要方法:

• 在CDSS的异质物联网边缘设备上实施了现实世界FL部署.
• 利用心电图 (ECG) 进行心律失常检测任务进行验证.
• 在最多8个具有不同计算能力的设备上评估系统性能.

主要成果:

• 获得了93%的ECG心律失常检测F1得分,与集中方法 (97%) 相比.
• 证明了框架在具有不同能力的设备上的适应性和可扩展性.
• 与模拟环境相比,证实了数据隐私,系统可扩展性和实际可行性的显著增强.

结论:

• 对于CDSS的现实世界FL部署提供了竞争力的准确性,同时优先考虑数据隐私.
• 该系统验证了FL在人工智能驱动的以患者为中心的医疗保健解决方案方面的潜力.
• 弥合了针对个性化医疗的IoMT中FL理论和实际应用之间的差距.