基于医学数据集的联邦图神经网络预测可复现性研究
机器学习
2022-09-14 v1
摘要
图神经网络（GNNs）在包括医学影像和网络神经科学在内的多个领域取得了卓越进展，在诊断自闭症等棘手神经系统疾病时表现出很高的准确率。面对医学数据稀缺且高度隐私的问题，训练此类数据饥渴的模型仍然具有挑战性。联邦学习通过允许多个由不同医院独立收集的数据集以完全保留数据的方式训练模型，为此问题提供了高效的解决方案。尽管最先进的 GNNs 和联邦学习技术都聚焦于提升分类准确率，它们忽略了一个关键未解决问题：研究在联邦学习范式下 GNN 模型所选出的最具判别力的生物标志物（即特征）的可复现性。量化预测性医学模型在训练和测试数据分布扰动下的可复现性，是开发转化临床应用所必须克服的最大障碍之一。据我们所知，这是首项研究联邦 GNN 模型可复现性并应用于医学影像和脑连接组数据集分类的工作。我们使用在医学影像和连接组数据集上训练的各种 GNN 模型评估了我们的框架。更重要的是，我们表明联邦学习在此类医学学习任务中同时提升了 GNN 模型的准确率和可复现性。我们的源代码可在 https://github.com/basiralab/reproducibleFedGNN 获取。
引用
@article{arxiv.2209.06032,
title = {Investigating the Predictive Reproducibility of Federated Graph Neural Networks using Medical Datasets},
author = {Mehmet Yigit Balik and Arwa Rekik and Islem Rekik},
journal= {arXiv preprint arXiv:2209.06032},
year = {2022}
}