用于个性化联邦学习的隐私保护患者聚类

联邦学习（FL）是一种使多个组织能够在不向中心服务器共享数据的情况下训练模型的机器学习框架。然而，若数据为非独立同分布（non-IID），其性能会显著下降。在医疗场景中，患者群体的差异是导致各医院间分布差异的重要原因。个性化 FL 通过考虑站点特定的分布差异来解决此问题。聚类 FL 作为个性化 FL 的一种变体，通过将患者跨医院聚类为若干组并在每组上分别训练模型来应对该问题。然而，由于聚类过程需要交换患者级信息，隐私问题仍是一项挑战。此前通过聚合数据形成聚类解决了该问题，但这导致了分组不准确和性能下降。在本研究中，我们提出隐私保护基于社区的联邦机器学习（PCBFL），一种新颖的聚类 FL 框架，可在保护隐私的同时利用患者级数据对患者进行聚类。PCBFL 使用一种密码学技术——安全多方计算，来跨医院安全地计算患者级相似度分数。随后，我们利用 eICU 数据集中 20 个站点训练联邦死亡预测模型来评估 PCBFL。我们将 PCBFL 的性能提升与传统及现有聚类 FL 框架进行比较。我们的结果表明，PCBFL 成功形成了具有临床意义的低、中、高风险患者队列。PCBFL 优于传统及现有聚类 FL 框架，平均 AUC 提升 4.3%，AUPRC 提升 7.8%。