联邦学习与差分隐私技术在多医院人群规模心电图数据上的应用
信号处理
2024-05-16 v2 密码学与安全
机器学习
摘要
本文探讨了将联邦学习（FL）与差分隐私（DP）技术应用于人群规模心电图（ECG）数据的方法。该研究基于来自加拿大阿尔伯塔省 7 家医院的 1,565,849 份 ECG 记录，利用 FL 和 DP 训练了一个多标签 ECG 分类模型。FL 方法允许在不共享各医院原始数据的情况下进行协作模型训练，同时构建了用于诊断各种心脏疾病的稳健 ECG 分类模型。这些准确的 ECG 分类模型可以利用 FL 和 DP 技术在保护患者隐私的同时促进诊断。我们的结果表明，使用我们实现的 FL 方法所达到的性能，与在汇总所有医院数据上训练模型的池化方法性能相当。此外，我们的研究结果表明，与单站点训练相比，ECG 训练数据有限的医院可以从采用 FL 模型中获益。另外，本研究通过在模型训练期间采用 DP 技术，展示了模型性能与数据隐私之间的权衡。我们的代码可在 https://github.com/vikhyatt/Hospital-FL-DP 获取。
引用
@article{arxiv.2405.00725,
title = {Federated Learning and Differential Privacy Techniques on Multi-hospital Population-scale Electrocardiogram Data},
author = {Vikhyat Agrawal and Sunil Vasu Kalmady and Venkataseetharam Manoj Malipeddi and Manisimha Varma Manthena and Weijie Sun and Saiful Islam and Abram Hindle and Padma Kaul and Russell Greiner},
journal= {arXiv preprint arXiv:2405.00725},
year = {2024}
}
备注
Accepted for ICMHI 2024