FedPseudo：基于伪值的联邦生存分析深度学习模型
机器学习
2022-07-13 v1 统计方法学
摘要
生存分析（时间-事件分析）是医疗健康领域的重要问题，因其对患者与姑息治疗具有广泛影响。许多生存分析方法假设生存数据集中可用，或来自单一医疗中心，或通过多中心数据共享获得。然而，患者属性的敏感性及严格的隐私法规日益禁止医疗健康数据的共享。为应对此挑战，研究界已着眼于利用联邦学习(FL)范式进行去中心化训练与模型参数共享的方案。本文中，我们研究利用 FL 在分布式医疗数据集上执行生存分析。近来，流行的 Cox 比例风险(CPH)模型已被适配于 FL 设定；然而，由于其线性与比例风险假设，CPH 模型性能次优，尤其对于非线性、非独立同分布且高度删失的生存数据集。为克服现有联邦生存分析方法的挑战，我们借助深度学习模型的预测精度与伪值的效力，提出一种首创的、基于伪值的联邦生存分析(FSA)深度学习模型，称为 FedPseudo。此外，我们引入一种在 FL 设定下推导生存概率伪值的新方法，可加速伪值计算。在合成与真实世界数据集上的大量实验表明，我们的伪值基 FL 框架取得了与最佳集中训练深度生存分析模型相近的性能。而且，我们提出的 FL 方法在各种删失设定下均取得最优结果。
引用
@article{arxiv.2207.05247,
title = {FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis},
author = {Md Mahmudur Rahman and Sanjay Purushotham},
journal= {arXiv preprint arXiv:2207.05247},
year = {2022}
}