联合学习与持续更新,以保护隐私,在使用MCN-GNNN的分布式医院中预测临床事件

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗保健信息学 医疗保健信息学

背景情况:

• 联合学习 (FL) 促进安全,分布式的临床事件预测 (CEP).
• 现有的FL方法在全球模型更新期间经常遭受灾难性的遗忘.
• 需要在FL中为CEP制定持续学习策略.

研究的目的:

• 为基于FL的CEP提出一个新的以Meta Experience多项式衰变为基础的重复 (MEPDR) 为中心的持续更新策略.
• 在分布式临床环境中解决灾难性遗忘问题.
• 提高临床事件预测模型的准确性和安全性.

主要方法:

• 医院在区块链上进行注册,数据进行预处理,并构建一个时间因果图 (TCG).
• 临床事件预测 (CEP) 使用基于平均中心化规范化的图形神经网络 (MCN-GNN) 进行.
• 模型梯度通过基于同型强大的日志缩放的加密 (HRLSE) 得到保护,医院通过指数式探测数字签名算法 (ExPrDSA) 进行认证.
• 全球模型聚合使用卡林斯基-哈拉巴斯指数与中华基于距离的K-Means集群 (CHIZD-KMC),其次是基于MEPDR的持续学习.

主要成果:

• 提出的以MEPDR为中心的持续更新有效地减轻了灾难性的遗忘.
• 该系统实现了高临床事件预测准确率98.97%.
• 区块链集成增强了交易的可追溯性和安全性.

结论:

• 以MEPDR为中心的方法显著提高了基于FL的CEP性能.
• 开发的系统为分布式临床事件预测提供了一个安全,准确和强大的解决方案.
• 这项工作促进了联邦医疗保健应用中的持续学习.