面向大规模卫生系统智能的横向与纵向分离医疗数据上的联邦机器学习
机器学习
2020-12-10 v3 人工智能
计算机与社会
摘要
医疗信息通常分散在各个孤岛中。尽管从技术上讲，可以以支撑快速学习医疗系统的方式整合数据进行分析，但隐私问题和监管障碍限制了数据的集中化。机器学习可以在具有相同变量集但分散在不同医疗场所的患者数据集上以联邦方式开展。但联邦学习无法处理如下情形：给定患者的不同数据类型在不同组织间纵向分离，且不同机构间的患者ID匹配困难。我们将支持在二维或更多维度分离数据上训练机器学习模型的方法称为联邦机器学习（confederated machine learning）。我们提出并评估了一种联邦学习，用于在数据按个体横向分离、按数据类型纵向分离、且无患者ID匹配而按身份分离的情况下，训练机器学习模型对多种疾病风险进行分层。
引用
@article{arxiv.1910.02109,
title = {Confederated Machine Learning on Horizontally and Vertically Separated Medical Data for Large-Scale Health System Intelligence},
author = {Dianbo Liu and Kathe Fox and Griffin Weber and Tim Miller},
journal= {arXiv preprint arXiv:1910.02109},
year = {2020}
}