用于预测轻度认知障碍向痴呆转化的联邦学习
机器学习
2025-03-06 v1
摘要
痴呆是一种进行性疾病，损害个体的认知健康和日常功能，其中轻度认知障碍 (MCI) 常为其前驱。MCI 向痴呆转化的预测已得到广泛研究，但先前研究几乎总是聚焦于需要共享敏感临床信息来训练预测模型的传统机器学习 (ML) 方法。本研究提出了一种使用联邦学习 (FL) 的隐私增强解决方案，在不共享敏感数据的情况下训练 MCI 向痴呆转化的预测模型，利用社会人口学和认知指标。我们模拟并比较了两种网络架构：点对点 (P2P) 和客户端-服务器，以实现协作学习。结果表明，FL 的预测性能与集中式 ML 相当，且各临床站点在不共享本地数据的情况下表现出相似的性能。此外，FL 模型的预测性能优于未进行协作的站点特定模型。本工作表明，FL 可以在不损害模型效能的前提下消除数据共享的需求。
引用
@article{arxiv.2503.03489,
title = {Federated Learning for Predicting Mild Cognitive Impairment to Dementia Conversion},
author = {Gaurang Sharma and Elaheh Moradi and Juha Pajula and Mika Hilvo and Jussi Tohka},
journal= {arXiv preprint arXiv:2503.03489},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication