مقالة بحثية

التعلم الفيدرالي القوي الخصمي للتنبؤ الآمن بمخاطر الوفاة باستخدام سجلات الصحة الإلكترونية متعددة المؤسسات (EHRs)

DOI:

10.3791/69104

⸱

مايو 12, 2026

 , 
1Parul University, 2SoA Deemed to be University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الدراسة نموذج التعلم الموحد القوي (AR-FL) للتنبؤ بمخاطر الوفيات باستخدام سجلات صحية إلكترونية متعددة المؤسسات. يدمج النموذج تدريبا عدائيا على الحد الأدنى، والانتباه الواعي بالمجال، والتجميع الذي يحافظ على الخصوصية لتعزيز المتانة والقدرة على التكيف وسرية البيانات، مما يتيح نظام دعم اتخاذ القرار السريري الآمن والموثوق والقابل للتعميم مناسب لبيئات الرعاية الصحية المتنوعة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تعد سجلات الصحة الإلكترونية (EHRs) المصدر الرئيسي للبيانات التي تمكن اتخاذ القرار السريري القائم على البيانات. ومع ذلك، فإن الطابع الحساس للسجلات الصحية الإلكترونية وسياسات الخصوصية الصارمة في قطاع الرعاية الصحية يجعل التدريب المركزي على النماذج أمرا صعبا أو مستحيلا. يقترح نموذج التعلم الفيدرالي القوي للعدائية (AR-FL) للتنبؤ بمخاطر وفيات المرضى عبر مؤسسات مختلفة دون مشاركة بيانات السجلات الصحية الإلكترونية الأصلية. الهدف الأساسي من هذه الدراسة هو تقديم إجراء آمن وقابل للتكرار وقابل للتوسع لتدريب نماذج تنبؤية تحافظ على الخصوصية ومرنة معادية عبر بيئات سريرية متنوعة. تستخدم هذه الدراسة نهج تدريب عدائي بأقصى حد في كل مؤسسة لتحسين المتانة ضد أسوأ الاضطرابات. كما يستخدم آلية انتباه واعية للمجال للتكيف ديناميكيا مع الاختلافات في توزيعات السمات السريرية داخل المؤسسة. للحفاظ على السرية، يتم تجميع تحديثات النماذج باستخدام طرق تحمي الخصوصية تمنع كشف بيانات المرضى الحساسة أثناء التواصل الفيدرالي. تحدد هذه الدراسة العملية بأكملها من معالجة البيانات المسبقة وتوليد الأمثلة العدائية إلى التدريب المحلي، والتجميع الآمن، وتقييم النماذج العالمية، مما يسمح بتنفيذ متسق عبر بيئات الرعاية الصحية المختلفة. تظهر المراجعات التجريبية أن نموذج AR-FL يحقق أداء تنبؤيا متفوقا، وقوة عدائية، وتعميما عبر المؤسسات. من خلال إنشاء خط تدريب وتقييم موحد، تدعم هذه الدراسة تطوير أنظمة دعم قرارات سريرية موثوقة ومتوافقة أخلاقيا.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

برزت شركة Federated Learning (FL) كنموذج تحويلي لتحليلات الرعاية الصحية التي تحافظ على الخصوصية من خلال تمكين التدريب النموذجي التعاوني عبر بيانات السجلات الصحية الإلكترونية اللامركزية (EHR) دون مشاركة المعلومات الخام للمرضى. يخفف هذا النهج من القيود التنظيمية والصوامع مع تحسين الأداء التنبؤي في مهام مثل التنبؤ بالوفيات. ومع ذلك، وعلى الرغم من هذه المزايا، تظل أنظمة FL عرضة لهجمات العداء والتسميم. يوضح الشكل 1 البنية التعاونية وسير العمل للتعلم الموحد عبر المؤسسات السريرية الموزعة.

figure-introduction-1
الشكل 1: بنية التعلم الفيدرالي العامة وتطبيقات التصوير الطبي. يوضح هذا الشكل سير العمل القياسي للتعلم الفيدرالي، ويظهر تخزين البيانات اللامركزي، وتدريب النماذج المحلية، والتجميع الآمن على جانب الخادم، إلى جانب تطبيقاته في تحليل التصوير الطبي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

تبرز التطورات الحديثة في تحليلات الرعاية الصحية فعالية نماذج التعلم العميق في معالجة بيانات السجلات الصحية الإلكترونية واسعة النطاق. أظهر البحثالسابق 1 أن التعلم العميق يمكنه تحقيق توقعات دقيقة وقابلة للتوسع باستخدام البيانات السريرية الخام. علاوة على ذلك، قام ميوتو وآخرون بمراجعة الفرص والتحديات الأوسع المرتبطة بتطبيق التعلم العميق في أنظمة الرعاية الصحية. بالإضافة إلى ذلك، حسنت الابتكارات الخاصة بالمجالات مثل ClinicalBERT3 فهم النصوص السريرية وقدراتها التنبؤية، بينما مكنت مجموعات البيانات المعيارية مثل MIMIC-III4 وMIMIC-IV5 وeICU6 من إجراء تقييمات قابلة للتكرار وواسعة النطاق في أبحاث العناية المركزة.

حظي التعلم الفيدرالي باهتمام كبير كحل لتمكين تحليلات الرعاية الصحية التعاونية دون المساس بخصوصية البيانات. ناقشت الدراسات القائمة 7,8 دورها في تطوير الصحة الرقمية، إلى جانب التحديات المرتبطة بها وقضايا البحث المفتوحة. علاوة على ذلك، أظهر التعلم الفيدرالي قابلية التطبيق العملي في سيناريوهات الرعاية الصحية الواقعية، بما في ذلك التعاون متعدد المؤسسات9 والتنبؤ بالنتائج السريرية لمرضى كوفيد-19. ومع ذلك، لا تزال تحديات مثل تباين البيانات كبيرة. لمعالجة ذلك، تم اقتراح استراتيجيات تحسين للبيئات غير المتجانسة11 ونهج مثل FedBN12، الذي يستخدم التطبيع الدفعي المحلي، لتحسين تقارب النماذج والتعميم.

أصبح الأمن والمتانة في التعلم الفيدرالي من القضايا الحاسمة بسبب التعرض المتزايد للتهديدات العدائية. كشف مفهوم الأمثلة العدائية13 أن الاضطرابات الصغيرة يمكن أن تضلل نماذج التعلم العميق ذات الثقة العالية. في البيئات الفيدرالية، تتفاقم هذه الثغرات بسبب تهديدات مثل هجمات البابالخلفي 14 وتسميم النماذج. لمعالجة هذه المخاطر، تم اقتراح أساليب تعلم اتحادي مرن ضد الخصم وتقنيات تحسين قوية تعتمد على التدريب الخصمي15,16. بالإضافة إلى ذلك، تم تطوير أطر اتصال آمنة تدمج تعزيز التدرج ونماذج LSTM17 للتخفيف من هجمات الرجل في الوسط. في الوقت نفسه، تهدف البنى المتقدمة مثل DBAFL18,19 إلى الدفاع ضد هجمات التسمم في البيئات الموزعة.

يظل الحفاظ على الخصوصية متطلبا أساسيا في أنظمة الرعاية الصحية الفيدرالية. يمكن للنماذج المدربة بشكل تعاوني تسريب معلومات حساسة من خلال هجمات قائمة على GAN، مما يبرز مخاطر الخصوصية الكامنة20. لتخفيف هذه المشكلات، تم إدخال بروتوكولات التجميع الآمن21 وتقنيات الخصوصية التفاضلية22 لضمان السرية في التعلم الموزع. علاوة على ذلك، تم اقتراح حلول قائمة على البلوكشين 23,24 لإدارة السجلات الصحية الإلكترونية الآمن ومشاركة البيانات، مع دراسات إضافية 25,26,27,28 التي وسعت هذه الأساليب لتحسين التوافقية والأمان والكفاءة في أنظمة الرعاية الصحية.

أدى التقدم السريع للذكاء الاصطناعي في الرعاية الصحية أيضا إلى تطوير نماذج ذكية هجينة وأنظمة متكاملة تعزز الأداء التنبؤي واتخاذ القرار. كما ناقشت دراسات سابقة الدور التحويلي للذكاء الاصطناعي في الطب29 والهجمات العدائية وآليات الدفاع في أنظمة التعلم الآلي29,30.

على الرغم من هذه التطورات، لا تزال الأبحاث القائمة مجزأة. العديد من نماذج التعلم الفيدرالي تفشل في دمج القوة العدائية، مما يجعلها عرضة للهجمات. بالإضافة إلى ذلك، غالبا ما يتم التعامل مع التباين في المجال بشكل كاف، مما يحد من التعميم عبر المؤسسات. غالبا ما يتم تنفيذ آليات الحفاظ على الخصوصية بشكل منفصل، دون دمج مع استراتيجيات المتانة والتكيف مع المجال، مما يؤدي إلى أنظمة ذكاء اصطناعي صحية غير مكتملة وأقل موثوقية. لمعالجة هذه القيود، تقترح هذه الورقة إطار عمل متكامل للتعلم الاتحادي القوي للخصوم يجمع بين التدريب الخصامي، وآليات الانتباه الواعية للمجال، والتجميع الآمن. يعزز النهج المقترح الصلابة ضد الهجمات، ويحسن القدرة على التكيف عبر البيئات السريرية المتنوعة، ويضمن خصوصية بيانات المرضى، مما يوفر حلا شاملا لتطبيقات الرعاية الصحية متعددة المؤسسات في العالم الحقيقي.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المنهجية المقترحة
يهدف نموذج التعلم الفيدرالي القوي للخصم (AR-FL) المقترح إلى التنبؤ بمخاطر وفيات المرضى بشكل آمن وتعاوني عبر مؤسسات الرعاية الصحية المختلفة، مع حماية خصوصية البيانات وجعل النظام مقاوما للاضطرابات العدائية. يشمل النشر أربعة عناصر رئيسية: (1) هيكل التعلم الفيدرالي، (2) التدريب العدائي القائم على الحد الأدنى من التحسين الأقصى، (3) آلية الانتباه الواعي بالمجال، و(4) تجميع المعلمات للحفاظ على الخصوصية. يتم تنفيذ المنهجية في تدفق منهجي مخصص للتعلم الفيدرالي القوي المعادي لتقدير مخاطر الوفاة. تبدأ العملية، الموضحة في الشكل 2، بجمع البيانات من العديد من المؤسسات الصحية، تليها معالجة مسبقة للبيانات لتوحيد الميزات والتعامل مع القيم المفقودة. يتم إنشاء نموذج عالمي في البداية بواسطة خادم مركزي ثم يرسل إلى كل مؤسسة صحية. يتم التدريب المحلي ضد المنافسة داخل مؤسسات الرعاية الصحية، مما يزيد من متانة النموذج في مواجهة الاضطرابات مع السماح بتكييفه مع البيانات الخاصة بالمجال. بعد التدريب، يتم تسليم معلمات النماذج المحلية بشكل آمن إلى الخادم باستخدام تجميع المعلمات الآمن. يدمج الخادم هذه المساهمات المحلية في النموذج لتحديث النموذج العالمي. تتكرر هذه العملية عدة مرات في تحسين تكراري لتسهيل تحسين النموذج بشكل تعاوني. ونتيجة لذلك، يتم تقييم النموذج بدقة باستخدام معايير سريرية تقيم أدائه التنبؤي، وقوته العدائية، وتعميمه عبر المؤسسات.

figure-protocol-1
الشكل 2: نموذج AR-FL المقترح. يقدم هذا الشكل البنية العامة لنموذج التعلم الفيدرالي القوي العدائي المقترح، بما في ذلك التدريب المتنافس، والانتباه الواعي بالمجال، والتجميع الآمن الذي يحافظ على الخصوصية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

جمع البيانات
في هذه الدراسة، تم استخدام مجموعتي بيانات للسجلات الصحية الإلكترونية (EHR) متاحتين للجمهور: MIMIC-III4 وقاعدة بيانات البحث التعاوني للوحدة العناية المركزة6. يوفر MIMIC-III أكثر من 40,000 دخول في وحدة العناية المركزة من مستشفى رئيسي واحد، بينما تشمل بيانات العناية المركزة الإلكترونية أكثر من 200,000 إقامة في العناية المركزة من مستشفيات مختلفة في الولايات المتحدة. تجعل التركيبة السكانية للمرضى، والقياسات السريرية، ونتائج الفحوصات المخبرية، والأحداث المسجلة، والنتائج المسجلة في هذه البيانات جذابة جدا لمهمة التنبؤ بمخاطر الوفيات. يتم تقسيم مجموعات بيانات السجلات الصحية الإلكترونية إلى أجزاء مختلفة لتشكيل بيئة تعليمية واقعية متعددة المؤسسات؛ كل جزء يمثل مستشفى أو مؤسسة مختلفة. تلتقط الطريقة الفروقات بين المؤسسات في خصائص المرضى، والبروتوكولات السريرية، وأنماط التوثيق، وتوفر البيانات. كل مؤسسة محاكاة يمكنها الوصول إلى مجموعة بياناتها الخاصة فقط ولا تشارك أي سجلات خام مع الخادم المركزي أو أي عملاء مشاركين آخرين. يضمن هذا النهج الامتثال الكامل لمبادئ الحفاظ على الخصوصية مع محاكاة القيود الواقعية للتعاون بين المستشفيات. يتم استخراج ملصقات الوفيات من حقول النتائج المشار إليها في مجموعات البيانات، مثل مؤشرات الوفيات داخل المستشفيات. تعمل هذه التسميات كأهداف تنبؤ لنموذج التعلم الفيدرالي. وبالتالي، تحتفظ كل مؤسسة بمجموعتها المحلية الخاصة من سجلات ميزات المرضى المرتبطة بنتائج الوفيات، مما يتيح تدريبا نموذجيا لامركزيا دون الكشف عن معلومات حساسة للمرضى.

معالجة البيانات المسبقة
تعالج كل مؤسسة بيانات السجلات الصحية الإلكترونية المحلية بشكل مستقل قبل بدء تدريب النماذج. نظرا لأن التعلم الفيدرالي يمنع مشاركة أي بيانات على مستوى المريض أو حتى إحصاءات ملخصة بين المؤسسات المشاركة، فإن جميع خطوات المعالجة المسبقة تجرى محليا في كل مؤسسة وتعتمد فقط على المعلومات الموجودة في مجموعة بيانات تلك المؤسسة. يتكون تدفق المعالجة المسبقة من بعض الخطوات الحاسمة. في البداية، يتم تطبيع المتغيرات السريرية العددية مثل العلامات الحيوية، ونتائج الفحوصات المخبرية، والقياسات الفسيولوجية لإزالة الفروق في نطاقات القيم وتثبيت تقارب النموذج. البيانات المحلية لكل مؤسسة هي المصدر الوحيد لحساب الإحصائيات المستخدمة في التطبيع. بعد ذلك، يتم تحويل السمات الفئوية مثل الجنس، نوع القبول، أو الفئات التشخيصية إلى تمثيلات رقمية باستخدام طرق مثل الترميز السريع الواحد أو التعيينات الخاصة بالمؤسسة. لذا، يمكن للنموذج الفيدرالي التعامل مع البيانات التصنيفية دون الحاجة إلى قواميس ترميز مشتركة أو جداول مرجعية عبر المؤسسات. ثالثا، البيانات المفقودة، التي هي شائعة في مجموعات البيانات السريرية، يتم التعامل معها باستخدام تقنيات الحساب المحلي. اعتمادا على نوع الميزة والسياق السريري، قد تلجأ المؤسسات إلى التعيين، أو التعبئة المستقبلية بناء على الملاحظات السابقة، أو حتى الاستبدالات السريرية القائمة على القواعد. ونظرا لأن كل مؤسسة تقوم بالحساب بشكل مستقل، فلا حاجة لبيانات وصفية خارجية أو معلمات مشاركة للحساب. وباتباع هذه الإجراءات، يمكن لكل مؤسسة إنشاء مجموعة بيانات كاملة من الميزات المعالجة مع نتائج الوفيات المرتبطة بها. ثم تستخدم مجموعات البيانات المحلية كمدخلات لتدريب النموذج الفيدرالي. طوال خط معالجة ما قبل المعالجة، لا يتم إرسال بيانات خام أو إحصائيات مشتقة أو مخرجات وسيطة خارج المؤسسة، مما يضمن الالتزام الصارم بممارسات إدارة البيانات التي تحافظ على الخصوصية.

تهيئة النموذج
لتكن K {1, 2,..., K} مجموعة المؤسسات (العملاء) المعنيين، حيث تمتلك كل مؤسسة مجموعة بيانات محلية. figure-protocol-2{ figure-protocol-3 حيث figure-protocol-4 تمثل ميزات السجلات الصحية الإلكترونية المدخلة و figure-protocol-5 هي علامة الوفيات المرتبطة (ثنائية أو تصنيفية). يتم تدريب النموذج figure-protocol-6 العالمي بشكل تعاوني عبر جميع العملاء، حيث θ هي معلمات النموذج المشتركة.

تتبع العملية بروتوكول المتوسط الفيدرالي القياسي (FedAvg):
يقوم الخادم المركزي بتهيئة المعلمات العالمية figure-protocol-7 ويبثها. يقوم كل عميل k∈k بإجراء تدريب محلي باستخدام بياناته ويقوم بتحديث النموذج إلى figure-protocol-8 . يقوم الخادم بدمج التحديثات بأخذ المتوسط المرجح:

figure-protocol-9figure-protocol-10، حيث n =figure-protocol-11

تستمر إجراءات تهيئة الخادم المركزي وخطوات التدريب المحلية في جولات الاتصالات العالمية T (T global communication).

التدريب الخصمي المحلي (تحسين الحد الأدنى–الأقصى)
ولتحسين المتانة، يجري كل عميل تدريبا خصوما في موقعه المحلي. بدلا من تقليل المخاطر التجريبية على البيانات النظيفة، يواجه العملاء مشكلة الحد الأدنى للحد الأقصى:

figure-protocol-12(x+δ),y)

L: دالة الفقدان
δ: اضطراب عدائي مقيد ب figure-protocol-13
س: فضاء التهديد العدائي
figure-protocol-14(x+δ): التنبؤ تحت الإدخال المضطرب

في وقت كل حقبة محلية، يتم إنشاء عينات خصمية باستخدام طريقة الانحدار التدرج المتوقع (PGD) أو طريقة إشارة التدرج السريع (FGSM). بعد ذلك، يستمر تدريب النموذج مع هذه العينات لزيادة متانته.

آلية الانتباه الواعي للمجال
تختلف بيانات السجلات الصحية الإلكترونية (EHR) من مؤسسات مختلفة بشكل كبير من حيث توزيع البيانات، ودلالات الميزات، والممارسات السريرية. لمعالجة هذه المشكلة، يدمج نموذج AR-FL وحدة انتباه متخصصة في المجالات في نموذجه.

لتكن figure-protocol-15 figure-protocol-16 متجه الإدخال من المؤسسة k. يتم حساب أوزان figure-protocol-17 الانتباه لكل ميزة j∈ {1..., d} كالتالي:

figure-protocol-18=figure-protocol-19

حيث هي أوزان الانتباه القابلة للتدريب. يتم إعادة وزن المدخلات كما يلي:

figure-protocol-20

من خلال هذه الآلية، يستطيع النموذج التأكيد على الخصائص المهمة للممارسة السريرية وفقا لطبيعة البيانات التي تستخدمها المؤسسة، مما يزيد من قابليته للتكيف وقابلية التفسير.

تجميع معلمات الحفاظ على الخصوصية
يستخدم AR-FL تجميعا آمنا جدا إلى جانب تقنيات الخصوصية التفاضلية إذا لزم الأمر للحفاظ على أعلى مستوى من الخصوصية أثناء التواصل. التجميع الآمن: يقوم المستخدمون بتشفير تحديثات النماذج بطريقة تجعل الخادم يمكنه حساب الإجمالي فقط دون حساب المساهمات المنفصلة.

خصوصية التفاضل: تضيف ضوضاء لتحديثات الطراز:

figure-protocol-21

حيث يتحكم σ في مقايضة الخصوصية والدقة.

خلال التحديثات الموزعة، تضمن هذه الأساليب عدم تعرض بيانات المرضى الخاصة أو المعلومات المؤسسية لخطر التسريب.

تحديث النموذج العالمي
بمجرد الانتهاء من مرحلة التدريب المحلية في كل مؤسسة، يجمع الخادم المركزي تحديثات النماذج المقدمة من العملاء. تتكون هذه التحديثات فقط من تغييرات على معلمات النموذج ولا تتضمن أي بيانات خام للمرضى أو تمثيلات ميزات وسيطة. لدمج المعرفة المكتسبة من المؤسسات المختلفة، يطبق الخادم طريقة المتوسط الفيدرالي (FedAvg). في هذه العملية، يحسب الخادم متوسطا مرجحا للنماذج المحلية بناء على كمية البيانات المتاحة في كل مؤسسة. المؤسسات التي تساهم بمجموعات بيانات أكبر لها تأثير أكبر نسبيا على النموذج العالمي المحدث. نظرا لأن التحديثات كانت ترسل باستخدام تقنيات التجميع الآمن، لا يمكن للخادم عرض أو عزل معلمات أي مؤسسة فردية. بدلا من ذلك، يحصل الخادم على تمثيل مشترك مشفر أو محمي للخصوصية فقط. يضمن ذلك سرية عملية التدريب وتدمير أي أنماط أو خصائص خاصة بالمؤسسة قد تكون تم اكتشافها. بعد حساب التحديث المجمع، يعد الخادم نموذجا عالميا جديدا يمثل المعرفة الكلية المكتسبة من جميع المؤسسات المتعاونة في جولة التواصل تلك. ثم يعاد النموذج العالمي الجديد إلى كل مؤسسة لبدء جولة جديدة من التدريب المحلي التنافسي.

التحسين التكراري
التعلم الموحد هو عملية متعددة المراحل تتضمن عدة جولات تواصل. تتكون كل جولة من تدريب النموذج المحلي، وإرسال التحديثات الآمن، والتجميع العالمي، والتوزيع اللاحق للنموذج المحسن على المشاركين. تساعد الطلقات المتكررة النموذج على التحرك تدريجيا نحو حل قوي ومستقر. خلال هذه الجولات، تجلب كل منظمة معرفتها بمرضاها، مما يخلق نموذجا يمكنه تحديد الأنماط السريرية عبر بيئات مختلفة. يجدر بالذكر أن التدريب العدائي وآلية الانتباه الواعي للمجال يتم تنفيذهما أحيانا من خلال التدريب المحلي في كل جولة. لذا، يتم تحسين النموذج باستمرار، وتزداد قدرته على مواجهة الهجمات العدائية، بينما تتحسن قدرته على التكيف مع توزيعات الميزات المختلفة بين المؤسسات. من خلال التحسين التكراري، لا يحسن النموذج فقط أداء التعميم، بل يصبح أيضا أكثر تسامحا مع اختلال التوازن في البيانات، والتنوع المؤسسي، والإعدادات العدائية. يتم تنفيذ العملية حتى يتم الوصول إلى عدد محدد مسبقا من جولات الاتصال أو حتى يشير النموذج العالمي إلى تقارب مستقر.

التقييم
في نهاية جميع جولات التواصل، يتم تقييم النموذج العالمي النهائي بشكل شامل باستخدام مجموعات اختبار مستمدة من مجموعات بيانات المشاركين. ونظرا لأن مجموعات الاختبار هذه لا تستخدم في تدريب النماذج، فإنها توفر مقياسا عادلا ومحايدا لأداء النموذج. يتم تقييم فعالية النموذج من خلال حساب مقاييس مختلفة من عدة زوايا. الدقة النظيفة تقيم الحالة التي تكون فيها الظروف الطبيعية موجودة. يقيس صحة النموذج في التنبؤ بنتائج الوفيات. في المقابل، تقدر الدقة العدائية مدى قدرة النموذج على الحفاظ على أدائه حتى عند تعديل بيانات الإدخال بطريقة عدائية. توفر المنطقة تحت منحنى خاصية تشغيل المستقبل (ROC) (AUC-ROC) نظرة على كفاءة النموذج في التمييز بين المرضى الأحياء والمتوفين. تعد درجة F1 مؤشرا على علاقة الدقة والاسترجاع، وهي مهمة بشكل خاص لمجموعات البيانات السريرية غير المتوازنة. تكشف فجوة التعميم عن التفاوت في الأداء بين المؤسسات المختلفة، مما يبرهن على مرونة النموذج في التكيف مع مصادر البيانات المتنوعة. يتم أخيرا قياس مخاطر الخصوصية من خلال استخدام هجمات عدائية محاكاة، والتي تحدد ما إذا كان التجميع الآمن والخصوصية التفاضلية الاختيارية فعالان فعلا في حماية سرية المرضى. كل هذه المقاييس التقييمية مجتمعة تقدم صورة شاملة لقوة النموذج التنبؤية، ومقاومته للهجمات العدائية، واستقراره عبر المؤسسات المختلفة، والالتزام بمتطلبات الحفاظ على الخصوصية. الخوارزمية 1 (الملف التكميلي 1) أدناه تظهر التعلم الفيدرالي القوي الخصمي (AR-FL) للتنبؤ بمخاطر الوفيات.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم اختبار نموذج AR-FL على مجموعتين من بيانات السجلات الصحية الإلكترونية متعددة المؤسسات متاحة للجمهور: MIMIC-III وقاعدة بيانات البحث التعاوني في وحدة العناية المركزة الإلكترونية، والتي تتضمن مجموعة متنوعة من سجلات المرضى في وحدة العناية المركزة مع نتائج وفيات داخل المستشفى. تم توزيع مجموعة البيانات على سيناريوهات مستشفيات محاكاة تمثل الفروق الفعلية بين المؤسسات فيما يتعلق بخصائص بياناتها. تم تدريب نموذج منفصل لكل عميل (مؤسسة) باستخدام بيانات السجلات الصحية الإلكترونية الخاصة به، وتم الحص...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الورقة نموذج التعلم الفيدرالي القوي العدائي (AR-FL) يهدف إلى تعزيز التنبؤ بمخاطر الوفيات باستخدام سجلات الصحة الإلكترونية متعددة المؤسسات من خلال تحسين الدقة والمتانة والقابلية للتعميم. تكشف الدراسة أن دمج التدريب العدائي في البيئة الفيدرالية سيعود بالنفع بشكل كبير على النموذج من خلال جعله أكثر مقاومة لاضطرابات المدخلات وتقلبات المجالات عبر المؤسسات المختلفة. تتماشى هذه النتائج الجديدة مع النتائج السابقة، التي أظهرت أن التحسين الخصمي يحسن استقرار النموذج خلال مهام التنبؤ السريري...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون عدم وجود مصالح متنافسة.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
آدم أوبسينسربايتورشhttps://pytorch.org/docs/stable/generated/torch.optim.Adam.htmlالتحسين
مجموعة أدوات CUDANVIDIAhttps://developer.nvidia.com/cuda-toolkitالإصدار 11.8؛ تسريع وحدة معالجة الرسومات
مكتبة الخصوصية التفاضليةالأوباكوسhttps://opacus.aiالإصدار 1.3.0؛ التدريب القائم على حماية الخصوصية القائم على DP
قاعدة بيانات البحث التعاوني لوحدة العناية المركزة الإلكترونيةفيزيو نتhttps://physionet.org/content/eicu-crd/2.0/بيانات السجلات الصحية الإلكترونية لمرضى العناية المركزة
MIMIC-IIIفيزيو نتhttps://physionet.org/content/mimiciii/1.4/بيانات السجلات الصحية الإلكترونية لمرضى العناية المركزة
سكريبت هجوم PGDGitHubhttps://github.com/Saswati-C/AR-FL-HERالنسخة: commit-hash; توليد أمثلة خصومية
بايتورشPyTorch.orghttps://pytorch.orgالإصدار 2.0؛ تنفيذ النموذج والتدريب
وحدة معالجة رسومات تسلا V100NVIDIAhttps://www.nvidia.com/en-us/data-center/v100/تدريب النماذج

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Rajkomar, A., et al. Scalable and accurate deep learning with electronic health records. npj Digit Med. 1 (1), 18(2018).
  2. Miotto, R., Wang, F., Wang, S., Jiang, X., Dudley, J. T. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 19 (6), 1236-1246 (2018).
  3. Huang, K., Altosaar, J., Ranganath, R. ClinicalBERT: modeling clinical notes and predicting hospital readmission. J Biomed Inform. 126, 103983(2022).
  4. Johnson, A. E. W., et al. MIMIC-III, a freely accessible critical care database. Sci Data. 3, 160035(2016).
  5. Johnson, A. E. W., et al. MIMIC-IV: a freely accessible electronic health record dataset. Sci Data. 10, 1(2021).
  6. Pollard, T., et al. eICU collaborative research database (version 2.0). PhysioNet. , (2019).
  7. Rieke, N., et al. The future of digital health with federated learning. npj Digit Med. 3 (1), 119(2020).
  8. Kairouz, P., et al. Advances and open problems in federated learning. Found Trends Mach Learn. 14 (1-2), 1-210 (2021).
  9. Sheller, M. J., et al. Federated learning in medicine: facilitating multi-institutional collaborations without sharing patient data. Sci Rep. 10 (1), 12598(2020).
  10. Dayan, I., et al. Federated learning for predicting clinical outcomes in patients with COVID-19. Nat Med. 27 (10), 1735-1743 (2021).
  11. Li, T., Sahu, A. K., Talwalkar, A., Smith, V. Federated optimization in heterogeneous networks. MLSys. 2, 429-450 (2020).
  12. Li, X., et al. FedBN: federated learning on non-IID features via local batch normalization. arXiv. , 2102.07623(2021).
  13. Goodfellow, I., Shlens, J., Szegedy, C. Explaining and harnessing adversarial examples. arXiv. , 1412.6572(2015).
  14. Bagdasaryan, E., et al. How to backdoor federated learning. Proceedings of the Twenty Third International Conference on Artificial Intelligence and Statistics, PMLR, 108, 2938-2948 (2020).
  15. Melhem, A., et al. Adversary-resilient clustered federated learning for secure AI-driven healthcare data analytics. Int Wireless Commun Mob Comput (IWCMC), , (2025).
  16. Madry, A., et al. Towards deep learning models resistant to adversarial attacks. arXiv. , 1706.06083(2018).
  17. Satpathy, S., et al. Enhancing security: federated learning against man-in-the-middle threats with gradient boosting machines and LSTM. 2024 IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Niagara Falls, ON, Canada, , (2024).
  18. Finlayson, S. G., et al. Adversarial attacks on medical machine learning. Science. 363 (6433), 1287-1289 (2019).
  19. Xie, C., et al. DBAFL: towards robust federated learning in the presence of model poisoning attacks. NeurIPS. 33, 14034-14045 (2020).
  20. Hitaj, B., Ateniese, G., Perez-Cruz, F. Deep models under the GAN: information leakage from collaborative deep learning. CCS '17: Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, , (2017).
  21. Bonawitz, K., et al. Practical secure aggregation for privacy-preserving machine learning. CCS '17: Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, , (2017).
  22. Dwork, C., Roth, A. The algorithmic foundations of differential privacy. Found Trends Theor Comput Sci. 9 (3-4), 211-407 (2014).
  23. Sonkamble, R. G., et al. Survey of interoperability in electronic health records management and proposed blockchain-based framework: MyBlockEHR. IEEE Access. 9, 158367-158401 (2021).
  24. Nguyen, D. C., Pathirana, P. N., Ding, M., Seneviratne, A. Blockchain for secure EHRs sharing of mobile cloud-based e-health systems. IEEE Access. 7 (1), 66792-66806 (2019).
  25. Mamun, A. A., Azam, S., Gritti, C. Blockchain-based electronic health records management: a comprehensive review and future research direction. IEEE Access. 10, 5768-5789 (2022).
  26. Tang, F., Ma, S., Xiang, Y., Lin, C. An efficient authentication scheme for blockchain-based electronic health records. IEEE Access. 7 (1), 41678-41689 (2019).
  27. Ghayvat, H., et al. CP-BDHCA: blockchain-based confidentiality-privacy preserving big data scheme for healthcare clouds and applications. IEEE J Biomed Health Inform. 26 (5), 1937-1948 (2022).
  28. Li, F., Liu, K., Zhang, L., Huang, S., Wu, Q. EHRChain: a blockchain-based EHR system using attribute-based and homomorphic cryptosystem. IEEE Trans Serv Comput. 15 (5), 2755-2766 (2022).
  29. Rajpurkar, P., Chen, E., Banerjee, O., Topol, E. J. AI in health and medicine. Nat Med. 28, 31-38 (2022).
  30. Goldblum, M., et al. Adversarial attacks and defenses in machine learning: an overview. IEEE Signal Process Mag. 37 (3), 31-43 (2020).
  31. Shanmugam, K., Saha, A., Venkatasubramanian, S. Federated adversarial training: a framework for robust distributed machine learning. NeurIPS Workshop Federated Learning, , Available from: https://proceedings.neurips.cc/paper_files/paper/2021 (2021).
  32. McDermott, M. B. A., et al. Reproducibility in machine learning for health. Nat Med. 27 (1), 83-86 (2021).
  33. Mohassel, P., Zhang, Y. SecureML: a system for scalable privacy-preserving machine learning. 2017 IEEE Symposium on Security and Privacy (SP), San Jose, CA, USA, , (2017).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة