应对 federated learning 中 Cox 比例风险模型数据异构性
机器学习
2025-05-23 v1 应用统计
机器学习
摘要
不同医院和医疗专业人员之间疾病概况和治疗方法的差异凸显了以患者为中心的个性化策略在医疗保健中的必要性。同时，患者之间疾病进展的相似性可被利用以提高生存分析中的预测模型。患者隐私的需求与预测模型的实用性可通过联邦学习 (FL) 框架同时实现。本文概述了生存分析领域中 Cox 比例风险 (CoxPH) 模型的方法，专注于缓解数据异构性并提升模型性能。我们提出的 FL 方法采用基于特征的聚类来提高合成数据集和真实世界应用（包括 Surveillance, Epidemiology, and End Results (SEER) 数据库）上的模型准确性。此外，我们考虑一种基于事件的报告策略，提供一种动态的方法，通过响应本地数据变化来实现模型适应。我们的实验显示，我们的方法的有效性，并讨论了将 FL 在医疗保健领域实际应用的未来方向。
引用
@article{arxiv.2407.14960,
title = {Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models},
author = {Navid Seidi and Satyaki Roy and Sajal K. Das and Ardhendu Tripathy},
journal= {arXiv preprint arXiv:2407.14960},
year = {2025}
}