面向模拟跨机构精神科场景暴力事件预测的联邦学习
计算与语言
2022-05-23 v1 计算机与社会
机器学习
摘要
住院患者暴力是精神科中常见且严重的问题。了解谁可能变得具有暴力倾向可影响人员配置并减轻严重程度。预测性机器学习模型可基于临床记录评估每位患者变得暴力的可能性。然而，尽管机器学习模型受益于更多数据，但由于医院通常出于隐私保护不共享数据，数据可用性受限。联邦学习（FL）可通过去中心化方式训练模型而不在合作方之间披露数据，从而克服数据限制问题。然而，尽管存在若干 FL 方法，尚无任何一种在临床记录上训练自然语言处理模型。本文中，我们研究联邦学习在临床自然语言处理中的应用，将其应用于暴力风险评估任务，并模拟跨机构精神科场景。我们训练并比较四种模型：两个本地模型、一个联邦模型和一个数据中心化模型。结果表明，联邦模型优于本地模型，且与数据中心化模型性能相近。这些发现表明联邦学习可成功用于跨机构场景，并朝着基于临床记录的联邦学习新应用迈进了一步。
引用
@article{arxiv.2205.10234,
title = {Federated learning for violence incident prediction in a simulated cross-institutional psychiatric setting},
author = {Thomas Borger and Pablo Mosteiro and Heysem Kaya and Emil Rijcken and Albert Ali Salah and Floortje Scheepers and Marco Spruit},
journal= {arXiv preprint arXiv:2205.10234},
year = {2022}
}