FLICU:一种用于重症监护病房死亡率预测的联邦学习工作流
机器学习
2022-05-31 v1
摘要
尽管机器学习(ML)可被视为改善临床决策以支持用药方案、临床流程、诊断或处方改进的有前景工具,但其仍受限于医疗数据的获取。医疗数据敏感,需要严格的隐私规范,且通常存于数据孤岛中,使传统机器学习颇具挑战。联邦学习可通过在数据孤岛上训练机器学习模型同时使敏感数据本地化来抵消这些限制。本研究提出一种用于 ICU 死亡率预测的联邦学习工作流。为此,通过将联邦学习引入预测 ICU 死亡率的二分类问题,考察了联邦学习作为集中式机器学习与本地机器学习替代方案的可行性。我们从 MIMIC-III 数据库(实验室值与生命体征)提取多变量时间序列数据,并以四种深度序列分类器(FRNN、LSTM、GRU 与 1DCNN)在不同患者病史窗口长度(8h、16h、24h、48h)与 FL 客户端数量(2、4、8)下基准测试预测性能。实验表明集中式机器学习与联邦学习在 AUPRC 与 F1-score 方面相当。此外,联邦方法较本地机器学习表现更优。因此,当医院间无法共享敏感患者数据时,联邦方法可视为一种有效且保护隐私的集中式机器学习替代方案,用于 ICU 死亡率分类。
引用
@article{arxiv.2205.15104,
title = {FLICU: A Federated Learning Workflow for Intensive Care Unit Mortality Prediction},
author = {Lena Mondrejevski and Ioanna Miliou and Annaclaudia Montanino and David Pitts and Jaakko Hollmén and Panagiotis Papapetrou},
journal= {arXiv preprint arXiv:2205.15104},
year = {2022}
}