使用联合学习和可解释的AI预测β-血病载体

科学领域:

• 医学诊断 医学诊断 医学诊断
• 计算生物学 计算生物学
• 医疗信息学 医疗信息学

背景情况:

• β-thalassemia是一种普遍的遗传性血液疾病,需要有效的载体查.
• 由于数据共享,集中选方法面临隐私和法律挑战 (GDPR,HIPAA).
• 用于诊断的机器学习受到数据安全问题和协作模型开发中的困难所阻碍.

研究的目的:

• 开发一个保护隐私的联合学习框架,用于beta-thalassemia查.
• 整合可解释AI (XAI) 来解释诊断预测和识别关键因素.
• 为了评估联合多核支向量机 (SVM) 模型的性能.

主要方法:

• 开发了一个使用联合平均的联合多核SVM框架.
• 实现了各种内核,包括线性,多项式,辐射基础函数和Deep Kernel (DK).
• 集成的SHAP和LIME用于模型预测的解释性分析.

主要成果:

• 联合模型在5,066个记录中实现了高诊断精度 (98.4%),灵敏度 (99.2%) 和特异性 (98.8%).
• 联合模型的性能与传统的集中式方法相美.
• 血红蛋白水平和平均体质体积被确定为beta-thalassemia最重要的预测因素.

结论:

• 与XAI联合的多核SVM提供了一个可扩展,透明和合规的解决方案,用于beta-thalassemia查.
• 这种方法有效地保护患者的隐私,同时保持高诊断准确度.
• 这些发现支持在分散的医疗保健系统中采用联合学习来选遗传疾病.