基于联邦学习的 PFed-Signal ADR 预测模型
机器学习
2025-12-30 v1
摘要
基于 FAERS（美国食品药品监督管理局不良事件报告系统）中偏置记录预测的不良药物反应（ADRs）可能误导线上诊断。一般情况下，这类问题是通过优化报告几率比（ROR）或比例报告比（PRR）来解决的。然而，这些依赖统计方法的方法无法消除偏置数据，导致信号预测不准确。本文提出了 PFed-signal，一种基于联邦学习的 ADR 信号预测模型，该模型利用欧几里得距离消除 FAERS 中的偏置数据，从而提高 ADR 预测的准确度。具体而言，我们首先提出了 Pfed-Split，将原始数据集按 ADR 划分为划分数据集。然后我们提出了 ADR-signal，一种 ADR 预测模型，包括基于联邦学习的偏置数据识别方法和基于 Transformer 的 ADR 预测模型。前者根据欧几里得距离识别偏置数据，并通过删除偏置数据生成干净的数据集。后者是基于 Transformer 在干净数据集上训练的 ADR 预测模型。结果表明，干净数据集上的 ROR 和 PRR 优于传统方法。此外，PFed-Signal 的准确率、F1 分数、召回率和 AUC 分别为 0.887、0.890、0.913 和 0.957，均高于基线方法。
引用
@article{arxiv.2512.23262,
title = {PFed-Signal: An ADR Prediction Model based on Federated Learning},
author = {Tao Li and Peilin Li and Kui Lu and Yilei Wang and Junliang Shang and Guangshun Li and Huiyu Zhou},
journal= {arXiv preprint arXiv:2512.23262},
year = {2025}
}
备注
IEEE International Conference on Bioinformatics and Biomedicine