FedMediFormer-XAI: Föderierte multimodale Transformer mit Diffusions-Augmentierung und graphbasierter Medikamentenempfehlung für Diabetes

Netra Patil; Naveenkumar Jayakumar; Sudan Jha

doi:10.3791/73113

Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

FedMediFormer-XAI: Föderierte multimodale Transformer mit Diffusions-Augmentierung und graphbasierter Medikamentenempfehlung für Diabetes

157 Aufrufe

⸱

DOI:

10.3791/73113

⸱

8. September 2026

Netra Patil¹ , Naveenkumar Jayakumar² , Sudan Jha³

¹Department of Computer Engineering, Bharati Vidyapeeth (Deemed to be University) College of Engineering, ²School of Computer Science and Engineering, Vellore Institute of Technology, ³Department of Computer Science and Engineering, Kathmandu University

In diesem Artikel

Zusammenfassung

Dieses Protokoll schlägt FedMediFormer-XAI vor, einen multimodalen Diabetes-Intelligenz-Rahmen, der die Privatsphäre durch verteiltes Lernen, multimodale Transformer, diffusionsbasierte Erweiterung, graphenbasierte personalisierte Arzneimittelempfehlung und erklärbare künstliche Intelligenz respektiert, um eine genaue Vorhersage, transparente Entscheidungsfindung und personalisierte Diabetes-Behandlung zu ermöglichen.

Zusammenfassung

Die Diabetesbehandlung steht vor zahlreichen Herausforderungen, wie fragmentierten Gesundheitsdaten, Datenschutzbedenken, geringer Erklärbarkeit und dem Mangel an individualisierter therapeutischer Unterstützung. Diese Forschungsarbeit stellt FedMediFormer-XAI vor, ein einheitliches und geeignetes Framework, das föderiertes Lernen, multimodale Transformer, datendiffusionsbasierte Datenaugmentierung, Graph-Neural-Networks (GNNs) für die Arzneimittelempfehlung und Erklärbare Künstliche Intelligenz (XAI) für die Diabetesintelligenz integriert. Das System nutzt vielfältige Arten von Gesundheitsdaten, beispielsweise klinische Befunde, Bevölkerungsgesundheitsindikatoren, kontinuierliche Glukosemessdaten, retinale Fundusbilder, Messwerte von tragbaren Sensoren sowie pharmakologische Informationen. Um synthetische Stichproben zu erzeugen und Klassenungleichgewichte auszugleichen, werden Diffusionsmodelle eingesetzt, und multimodale Transformer-Architekturen werden verwendet, um Zusammenhänge zwischen stark unterschiedlichen Datenquellen zu lernen. Mithilfe des föderierten Lernens wird ein kollaboratives Modelltraining auf datenschutzkonforme Weise ermöglicht, ohne Rohdaten von Patienten auszutauschen. Die GNN-Komponente erfasst Patienten-Medikament- und Medikament-Medikament-Interaktionen, um personalisierte Arzneimittelempfehlungen zu generieren. Erklärbarkeitsmethoden wie SHapley Additive exPlanations (SHAP), Visualisierung der Aufmerksamkeitsmechanismen, Integrierte Gradienten und kontrafaktisches Schließen liefern transparente Interpretationen der Vorhersage- und Empfehlungsergebnisse. In der repräsentativen Implementierung erreichte das vorgeschlagene Framework eine Genauigkeit von 94,2 %, eine Präzision von 93,1 %, einen Rückruftwert von 92,8 %, einen F1-Wert von 92,9 %, einen Matthews-Korrelationskoeffizienten (MCC) von 0,88 und eine Fläche unter der ROC-Kurve (AUC-ROC) von 0,96. Das graphenbasierte Empfehlungsmodul erreichte eine Präzision von 0,89, einen Rückruftwert von 0,84 und einen normalisierten diskontierten kumulativen Gewinn (NDCG) von 0,91. Das Protokoll bietet einen strukturierten Ansatz zur Integration heterogener Gesundheitsdaten unter Verwendung multimodaler Transformer, föderierten Lernens, datendiffusionsbasierter Erweiterung, graphenbasierter Empfehlung und erklärbarer künstlicher Intelligenz. Die berichteten Rechenergebnisse demonstrieren das Potenzial des Frameworks für die Diabetesvorhersage und personalisierte Medikamentenempfehlung, während das föderierte Design eine dezentrale Datenverarbeitung unterstützt. Eine prospektive multizentrische klinische Evaluation ist erforderlich, um die klinische Nützlichkeit, Übertragbarkeit und Anwendbarkeit im realen Umfeld zu belegen.

Einleitung

Diabetes mellitus gehört zu den häufigsten chronischen Stoffwechselerkrankungen, die die Menschheit betreffen, und stellt aufgrund ihres anhaltenden Anstiegs sowie der langfristigen Folgen und der hohen Kosten für die Patientenbehandlung ein bedeutendes öffentliches Gesundheitsproblem dar¹^,². Laut einem Bericht leben derzeit weltweit über 537 Millionen Erwachsene mit Diabetes, und diese Zahl wird in den nächsten Jahrzehnten voraussichtlich deutlich ansteigen³. Wenn hohe Blutzuckerspiegel nicht kontrolliert werden, drohen dem Betroffenen schwere Komplikationen wie koronare Herzkrankheit<....