面向隐私保护患者分层的联邦无监督随机森林
机器学习
2024-01-30 v1 人工智能
密码学与安全
定量方法
摘要
在精准医疗领域，有效的患者分层和疾病亚型划分需要为多组学数据量身定制的创新方法。应用于多组学数据的聚类技术已成为识别不同患者亚群、从而更精细地理解疾病变异性的关键工具。本工作通过无监督随机森林聚类和联邦计算，建立了一个推进精准医疗的强大框架。我们引入了一种利用无监督随机森林的新型多组学聚类方法。随机森林的无监督特性使得能够确定聚类特异性的特征重要性，从而揭示对不同患者群体起关键作用的分子因素。此外，我们的方法被设计用于联邦执行，这在隐私问题至关重要的医疗领域是一个关键方面。我们已在机器学习基准数据集以及来自癌症基因组图谱（TCGA）的癌症数据上验证了我们的方法。我们的方法在疾病亚型划分方面与最先进的技术具有竞争力，但同时显著提高了聚类的可解释性。实验表明，通过联邦计算可以提升本地聚类性能。
引用
@article{arxiv.2401.16094,
title = {Federated unsupervised random forest for privacy-preserving patient stratification},
author = {Bastian Pfeifer and Christel Sirocchi and Marcus D. Bloice and Markus Kreuzthaler and Martin Urschler},
journal= {arXiv preprint arXiv:2401.16094},
year = {2024}
}