联邦与分布式学习在电子健康记录及结构化医疗数据中的应用：范围综述
机器学习
2023-11-28 v1 人工智能
摘要
联邦学习（FL）近年来在临床研究中日益流行，以促进隐私保护协作。结构化数据作为最普遍的临床数据形式之一，其体量同时显著增长，尤其随着电子健康记录在临床实践中的广泛采用。本综述考察了 FL 在结构化医疗数据上的应用，识别了当前局限并讨论了潜在创新。我们检索了 SCOPUS、MEDLINE、Web of Science、Embase 和 CINAHL 五个数据库，以识别将 FL 应用于结构化医疗数据并依据 PRISMA 指南报告结果的文章。每篇入选文献从数据质量、建模策略和 FL 框架三个主要视角进行评估。在筛选的 1160 篇论文中，34 篇符合纳入标准，每篇文章包含一项或多项使用 FL 处理结构化临床/医疗数据的研究。其中 24 篇使用了从电子健康记录获取的数据，临床预测与关联研究是 FL 应用最广泛的临床研究任务。仅有一篇文章专门探索了纵向 FL 设置，其余 33 篇探索了横向 FL 设置，其中仅 14 篇讨论了单站点（本地）与 FL（全局）分析的比较。现有 FL 在结构化医疗数据上的应用缺乏对临床有意义收益的充足评估，尤其与单站点分析相比。因此，未来 FL 应用必须优先考量临床动机，并开发能有效支撑和辅助临床实践及研究的设计与方法论。
引用
@article{arxiv.2304.07310,
title = {Federated and distributed learning applications for electronic health records and structured medical data: A scoping review},
author = {Siqi Li and Pinyan Liu and Gustavo G. Nascimento and Xinru Wang and Fabio Renato Manzolli Leite and Bibhas Chakraborty and Chuan Hong and Yilin Ning and Feng Xie and Zhen Ling Teo and Daniel Shu Wei Ting and Hamed Haddadi and Marcus Eng Hock Ong and Marco Aurélio Peres and Nan Liu},
journal= {arXiv preprint arXiv:2304.07310},
year = {2023}
}