É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de método
Este protocolo propõe o FedMediFormer-XAI, um framework multimodal de inteligência em diabetes que respeita a privacidade por meio de aprendizado federado, transformadores multimodais, aumento baseado em difusão, recomendação personalizada de medicamentos baseada em grafos e inteligência artificial explicável, para predição precisa, tomada de decisões transparente e manejo personalizado do diabetes.
O manejo do diabetes enfrenta diversos obstáculos, como dados fragmentados de saúde, preocupações com privacidade, baixa explicabilidade e a falta de orientação terapêutica personalizada. Este trabalho de pesquisa apresenta o FedMediFormer-XAI, um framework unificado e adequado que incorpora aprendizado federado, transformadores multimodais, aumento de dados baseado em difusão, Redes Neurais em Grafos (GNNs) para recomendação de medicamentos e Inteligência Artificial Explicável (XAI) para inteligência em diabetes. O sistema utiliza diversos tipos de dados em saúde, por exemplo, registros clínicos, indicadores de saúde populacional, dados de monitoramento contínuo de glicose, imagens de fundo de olho, medições de sensores vestíveis e informações farmacológicas. Para gerar amostras sintéticas e lidar com o desequilíbrio de classes, são utilizados modelos de difusão, e arquiteturas de transformadores multimodais são empregadas para aprender as relações entre fontes de dados muito distintas. O aprendizado federado permite o treinamento colaborativo de modelos de forma que preserve a privacidade, sem compartilhar dados brutos de pacientes. O componente de GNN captura interações entre paciente-medicamento e medicamento-medicamento para recomendações personalizadas de medicamentos. Métodos de explicabilidade, como SHapley Additive exPlanations (SHAP), visualização de atenção, Gradientes Integrados e raciocínio contrafactual, fornecem interpretações transparentes dos resultados de predição e recomendação. Na implementação representativa, o framework proposto alcançou uma acurácia de 94,2%, precisão de 93,1%, revocação de 92,8%, pontuação F1 de 92,9%, Coeficiente de Correlação de Matthews (MCC) de 0,88 e uma Área sob a Curva ROC (AUC-ROC) de 0,96. O módulo de recomendação baseado em grafos alcançou precisão = 0,89, revocação = 0,84 e Ganho Cumulativo Descontado Normalizado (NDCG) = 0,91. O protocolo fornece uma abordagem estruturada para integrar dados heterogêneos em saúde utilizando transformadores multimodais, aprendizado federado, aumento baseado em difusão, recomendação baseada em grafos e inteligência artificial explicável. Os resultados computacionais relatados demonstram o potencial do framework para predição de diabetes e recomendação personalizada de medicamentos, enquanto o design federado apoia o tratamento descentralizado dos dados. Uma avaliação clínica multicêntrica prospectiva é necessária para estabelecer a utilidade clínica, a generalização e a aplicabilidade no mundo real.
O diabetes melito está entre as principais doenças metabólicas crônicas que afetam a humanidade e representa um grande problema de saúde pública, pois continua crescendo, com seus efeitos de longo prazo e os altos custos do tratamento dos pacientes1,2. De acordo com um relatório, atualmente há mais de 537 milhões de adultos vivendo com diabetes em todo o mundo, e espera-se que esse número aumente significativamente nas próximas décadas3. Se os níveis elevados de açúcar no sangue não forem controlados, a pessoa sofrerá as piores complicações, como doença cardíaca coronária
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Todos os conjuntos de dados utilizados neste estudo foram obtidos de repositórios publicamente acessíveis e continham informações de pacientes desidentificadas. Eles incluíram o Conjunto de Dados de Diabetes dos Índios Pima, o Conjunto de Dados de Indicadores de Saúde de Diabetes do CDC, o Conjunto de Dados OhioT1DM, o Conjunto de Dados de Detecção de Cegueira APTOS 2019, o Conjunto de Dados de Avaliação de Drogas e o Conjunto de Dados de Interação entre Drogas. Não houve recrutamento direto de pacientes, intervenção, coleta de espécimes ou acesso a informações de saúde pessoais identificáveis. O estudo limitou-se a uma análise secundária de conjuntos de dados anonimi....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Análise de desempenho preditivo
O FedMediFormer-XAI demonstrou desempenho preditivo superior em comparação com os modelos de referência unimodais e convencionais avaliados. A ampliação baseada em difusão melhorou a representação das classes minoritárias, e o desempenho preditivo resultante é resumido na Tabela 3. A avaliação com execuções repetidas demonstrou desempenho preditivo estável entre os modelos avaliados. O FedMediFormer-XAI alcançou o melhor desempenho geral, com uma acurá.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Interpretação dos principais resultados
Os resultados representativos mostram que é possível combinar aprendizado multimodal com transformadores, aprendizado federado, aumento baseado em difusão, recomendação de medicamentos baseada em redes neurais em grafos e inteligência artificial explicável em um framework unificado de inteligência para diabetes. Ao integrar prontuários clínicos, indicadores de saúde populacional, dados de monitoramento contínuo de glicose, imagens de fundo de olho e informaçõ.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os autores declaram que não possuem interesses financeiros concorrentes, conflitos de interesse ou relações pessoais que poderiam ter influenciado o trabalho relatado neste estudo. Ferramentas de inteligência artificial foram utilizadas exclusivamente para auxiliar no aprimoramento da linguagem, organização do manuscrito, formatação e edição durante a preparação deste artigo. Todo o conteúdo científico, o desenho do estudo, a metodologia, a análise de dados, a interpretação dos resultados e as conclusões foram desenvolvidos, verificados e aprovados pelos autores. Os autores assumem total responsabilidade pela precisão, integridade e originalidade do trabalho apresentado neste manuscrito.
Os autores agradecem aos desenvolvedores e mantenedores dos conjuntos de dados de acesso público e dos recursos de software livre utilizados neste estudo.
....Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Criptografia AES | NIST | AES-256 | Criptografia de dados em repouso / parâmetros protegidos de modelos em aprendizado federado |
| Conjunto de Dados APTOS 2019 para Detecção de Cegueira | Kaggle/APTOS | Lançamento de 2019 | Conjunto de dados de imagens de fundo de olho; disponível publicamente e desidentificado; https://www.kaggle.com/competitions/aptos2019-blindness-detection/data |
| Captum | Meta AI | Versão 0,8 | Interpretabilidade do modelo e análise de atribuição |
| CUDA Toolkit | NVIDIA | Versão 12.2 | Computação acelerada por GPU |
| Conjunto de Dados de Indicadores de Saúde da Diabetes (CDC BRFSS 2015) | CDC/BRFSS; Kaggle | Lançamento de 2015 | Indicadores de saúde populacional; disponibilizados publicamente e desidentificados; https://www.kaggle.com/datasets/alexteboul/diabetes-health-indicators-dataset |
| Conjunto de Dados para Detecção de Retinopatia Diabética | Kaggle | Liberação Pública | Conjunto de dados de imagens retinianas; disponível publicamente e desidentificado; https://www.kaggle.com/c/diabetic-retinopathy-detection/data |
| Certificados digitais | - | - | Autenticação do cliente em aprendizado federado |
| Conjunto de Dados de Interações Medicamentosas | Kaggle | Liberação Pública | Dados de grafo de interação medicamentosa; disponíveis publicamente e desidentificados; https://www.kaggle.com/datasets/rohanharode07/drug-drug-interaction |
| Conjunto de Dados de Avaliação de Medicamentos | Repositório de Aprendizado de Máquina da UCI | Conjunto de Dados 462 | Conjunto de dados sobre eficácia e avaliações de medicamentos; disponível publicamente e desidentificado; https://archive.ics.uci.edu/dataset/462/drug+review+dataset+drugs+com |
| Matplotlib | Desenvolvedores do Matplotlib | Versão 3.9 | Visualização |
| Conjunto de Dados de Diabetes MTS | Kaggle | Liberação Pública | Conjunto de dados de sensor vestível / predição de diabetes; disponível publicamente e desidentificado; https://www.kaggle.com/datasets/marshalpatel3558/diabetespredictiondataset |
| NetworkX | Desenvolvedores do NetworkX | Versão 3.3 | Construção e análise de grafos de interação medicamentosa |
| NumPy | Desenvolvedores do NumPy | Versão 1.26 | Cálculo numérico |
| NVIDIA RTX 4090 GPU | NVIDIA | RTX 4090 | Treinamento e inferência do modelo; pelo menos 32 GB de memória do sistema |
| Conjunto de Dados OhioT1DM | Universidade de Ohio | Liberação Pública | Conjunto de dados de monitoramento contínuo de glicose; disponível publicamente e desidentificado; https://webpages.charlotte.edu/rbunescu/data/ohiot1dm/OhioT1DM-dataset.html |
| OpenCV | Fundação OpenCV | Versão 4.10 | Processamento de imagens |
| Pandas | PyData | Versão 2.2 | Processamento e pré-processamento de dados |
| Conjunto de Dados de Diabetes em Índios Pima | Repositório de Aprendizado de Máquina da UCI | Conjunto de Dados 34 | Conjunto de dados para predição clínica de diabetes; disponível publicamente e desidentificado; https://archive.ics.uci.edu/dataset/34/diabetes |
| Python | Fundação Python de Software | Versão 3.11 | Ambiente primário de programação |
| PyTorch | Meta AI | Versão 2.3 | Desenvolvimento e treinamento de modelos de aprendizado profundo |
| PyTorch Geometric | Equipe PyG | Versão 2.5 | Construção e treinamento de redes neurais gráficas |
| Scikit-learn | Desenvolvedores do Scikit-learn | Versão 1.5 | Utilidades e avaliação de aprendizado de máquina |
| Mecanismo de agregação segura | - | - | Agregação protegida de parâmetros locais de modelos no aprendizado federado |
| SHAP | Desenvolvedores do SHAP | Versão 0,47 | IA explicável e análise de atribuição de características |
| TensorFlow | Versão 2.15 | Desenvolvimento e treinamento de modelos de aprendizado profundo | |
| Transformadores | Hugging Face | Versão 4.45 | Implementação de arquitetura baseada em transformador |
| Camada de Segurança de Transporte | IETF | TLS 1.3 | Canal de comunicação criptografado para troca federada de parâmetros |
| Estação de trabalho | Genérico | - | Ambiente computacional; pelo menos 32 GB de memória do sistema |
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.