联邦-ComBat:在协作研究中进行批量效应协调的通用联合框架

科学领域:

• 神经科学是一个神经科学.
• 生物统计学 生物统计学
• 数据科学数据科学数据科学

背景情况:

• 多中心研究需要数据协调,以解决偏差并确保互操作性.
• 当前最先进的协调方法,如ComBat,依赖于随机效应建模,但往往需要数据集中化,造成隐私和治理风险.
• 分散的数据分析对于涉及敏感患者信息的大规模研究至关重要.

研究的目的:

• 引入Fed-ComBat,这是一个新的联邦框架,用于对分散数据进行批量效应协调.
• 为了使非线性共变量效应在没有数据集中或先前的参数假设的情况下得到保存.
• 评估Fed-ComBat的表现与现有的集中和分布式协调方法相比.

主要方法:

• 开发Fed-ComBat,一个用于批量效应校正的联合学习框架.
• 在分散的数据环境中实施随机效应建模.
• 使用广泛的模拟数据和分析7个现实世界神经成像队伍 (健康对照,PD,AD,ASD) 的验证.

主要成果:

• 在线性和非线性场景中,Fed-ComBat实现了与中央集权方法相当的协调结果.
• 对真实神经成像数据的分析表明,集中和联合模型之间的性能可比,用于协调整个寿命的海马体厚度轨迹.
• 使用Fed-ComBat的联合协调与非线性模型的现有文献发现保持一致.

结论:

• 在分散的多中心神经成像研究中,Fed-ComBat提供了一种有效且保护隐私的解决方案,用于批量效应协调.
• 该框架成功地处理线性和非线性偏差,而不会影响数据隐私或要求数据集中.
• 在神经科学领域的协作研究中,Fed-ComBat是一个重要的进步,特别是在涉及弱势群体和敏感数据的研究中.