面向异构电子健康记录系统的联邦学习：基于成本效益的参与者选择策略
机器学习
2026-01-30 v5
摘要
电子健康记录 (EHR) 的不断增长为提高临床预测任务中的模型准确性和鲁棒性提供了机会。不同于传统的集中方法，联邦学习使我们能够在保持患者隐私并遵守监管约束的前提下，利用来自多个机构的数据进行训练。实际情况下，医疗机构（即主机）经常需要构建针对其特定需求（如肌酐水平预测、N 天再入院预测）的预测模型。构建针对单个医疗机构的联邦学习模型时，存在两个关键挑战：（1）确保跨异构 EHR 系统的兼容性，（2）在预算约束下管理联邦学习成本。具体而言，跨机构的 EHR 系统异构性会阻碍兼容的建模，而联邦学习的计算成本可能超过医疗机构的实际预算限制。为解决这些挑战，我们提出了 EHRFL 框架，用于构建基于患者 EHR 数据的成本有效、主机特定的预测模型。EHRFL 包含两个组件：（1）基于文本的 EHR 建模，无需昂贵的数据标准化即可实现跨机构兼容性；（2）基于平均患者嵌入相似性的参与者选择策略，以减少参与者数量而不影响性能。我们的参与者选择策略共享平均患者嵌入具有差分隐私，确保患者隐私。在多个开源 EHR 数据集上的实验表明，两个组件的有效性。通过我们的框架，医疗机构可以在预算约束下，以较低成本和时间构建特定机构的预测模型。
引用
@article{arxiv.2404.13318,
title = {Federated Learning for Heterogeneous Electronic Health Record Systems with Cost Effective Participant Selection},
author = {Jiyoun Kim and Junu Kim and Kyunghoon Hur and Edward Choi},
journal= {arXiv preprint arXiv:2404.13318},
year = {2026}
}