基于原型引导的联邦半监督图神经网络用于隐私保护的妊娠糖尿病预测
机器学习
2026-05-05 v1 人工智能
摘要
妊娠糖尿病 (GDM) 是一种高流行率的妊娠并发症，需要准确的早期风险分层以减少母婴并发症。然而，实际临床部署的机器学习受到两个相互关联的约束的限制：(i) 标签稀缺，电子健康记录 (EHR) 中的大量记录缺乏确认的诊断标签；(ii) 数据隐私，阻止跨医院共享患者水平数据。本文提出了 FedTGNN-SS，一个面向临床表格型 EHR 的隐私保护联邦半监督框架。每个医院构建局部的 k-最近邻患者相似性图，并训练拓扑自适应的图神经网络编码器。为稳健地利用未标记记录，FedTGNN-SS 结合了 (1) 基于原型的伪标签生成与邻域一致性、(2) 使用学习到的嵌入定期更新 k-最近邻图的自适应图细化、(3) 仅应用于连续变量的临床感知一致性数据增强、(4) 仅交换类级质心的隐私安全原型共享。在三个与糖尿病相关的数据集上 (GDM: N = 3,525; Pima: N = 768; Early Stage: N = 520)，在每个数据集中缺失标签比例为 10%-80% 的情况下，FedTGNN-SS 对 11 个联邦基线实现了 56 个显著优势 ()，并在极端稀缺情形下取得强大的 AUROC 值 (Pima: 在 80% 缺失时为 0.8037；Early Stage: 在 80% 缺失时为 0.9634)。
引用
@article{arxiv.2605.01810,
title = {Federated Semi-Supervised Graph Neural Networks with Prototype-Guided Pseudo-Labeling for Privacy-Preserving Gestational Diabetes Mellitus Prediction},
author = {G. Victor Daniela and A. Mallikarjuna Reddya and Uday Kumar Addankia and Sridhar Reddy Gogua and Sravanth Kumar Ramakuria},
journal= {arXiv preprint arXiv:2605.01810},
year = {2026}
}