Araştırma makalesi

Çok Kurumsal Elektronik Sağlık Kayıtları (EHR'ler) kullanarak Güvenli Ölüm Riski Tahmini İçin Karşı Dengeli Sağlam Federe Öğrenme

DOI:

10.3791/69104

⸱

12 Mayıs 2026

 , 
1Parul University, 2SoA Deemed to be University

Bu makalede

Özet

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

Bu çalışma, çoklu kurumsal Elektronik Sağlık Kayıtları kullanılarak ölüm riski tahmini için Karşı Dengeli Güçlü Federe Öğrenme (AR-FL) modeli önermektedir. Model, minimum maksimum düşman eğitimi, alan farkında dikkat ve gizliliği koruyan toplamayı entegre ederek sağlamlık, uyum sağlar ve veri gizliliğini artırır; böylece heterojen sağlık ortamlarına uygun, güvenli, güvenilir ve genelleştirilebilir bir klinik karar destek sistemi sağlar.

Özet

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

Elektronik Sağlık Kayıtları (EHR'ler), veri odaklı klinik karar alma süreçlerini mümkün kılan ana veri kaynağıdır. Ancak, EHR'lerin hassas karakteri ve sağlık sektöründeki katı gizlilik politikaları, merkezi model eğitimini zor veya imkansız hale getirir. Farklı kurumlar arasında hasta ölüm riskini öngörmek için orijinal EHR verilerini paylaşmadan Karşı Güçlü Federasyona Dayalı Öğrenme (AR-FL) modeli önerilmiştir. Bu çalışmanın temel amacı, çeşitli klinik ortamlarda gizliliği koruyan, rekabete dayanıklı öngörücü modelleri eğitmek için güvenli, tekrarlanabilir ve ölçeklenebilir bir prosedür sunmaktır. Bu çalışma, her kurumda en kötü duruma karşı dayanıklılığı artırmak için minimum maksimum karşıt bir eğitim yaklaşımı kullanmaktadır. Kurum içindeki klinik özellik dağılımlarındaki farklılıklara dinamik olarak uyum sağlamak için alan farkında bir dikkat mekanizması da kullanılır. Gizlilik için, model güncellemeleri, federe iletişim sırasında hassas hasta verilerinin açıklanmasını engelleyen gizlilik koruma yöntemleriyle birleştirilir. Bu çalışma, veri ön işleme ve düşman örnek oluşturmadan yerel eğitim, güvenli toplama ve küresel model değerlendirmesine kadar tüm süreci tanımlayarak çeşitli sağlık ortamlarında tutarlı bir uygulama sağlamaktadır. Deneysel doğrulamalar, AR-FL modelinin üstün öngörücü performans, rakip dayanıklılık ve kurumlar arası genelleme sağladığını göstermektedir. Standartlaştırılmış bir eğitim ve değerlendirme hattı oluşturarak, bu çalışma güvenilir ve etik açıdan uyumlu klinik karar destek sistemlerinin geliştirilmesini destekler.

Giriş

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

Federated Learning (FL), ham hasta bilgisi paylaşılmadan merkezi olmayan elektronik sağlık kaydı (EHR) verileri üzerinde işbirlikçi model eğitimi mümkün kılarak, gizliliği koruyan sağlık analitiği için dönüştürücü bir paradigma olarak ortaya çıktı. Bu yaklaşım, veri silolarını ve düzenleyici kısıtlamaları azaltırken, ölüm tahmini gibi görevlerde öngörü performansını artırır. Ancak, bu avantajlara rağmen, FL sistemleri düşman ve zehirleme saldırılarına karşı savunmasızdır. Şekil 1, dağıtık klinik kurumlar arasında federasyon öğreniminin işbirlikçi mimarisi ve iş akışını göstermektedir.

figure-introduction-1
Şekil 1: Genel federasyon öğrenme mimarisi ve tıbbi görüntüleme uygulamaları. Bu şekil, merkezi olmayan veri depolama, yerel model eğitimi ve güvenli sunucu tarafı toplama ile tıbbi görüntüleme analizindeki uygulamalarını gösteren standart federasyon öğrenme iş akışını göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Sağlık analitiğindeki son gelişmeler, büyük ölçekli EHR verilerinin işlemesinde derin öğrenme modellerinin etkinliğini gözler önüne seriyor. Öncekiaraştırma 1 , derin öğrenmenin ham klinik veriler kullanarak doğru ve ölçeklenebilir tahminler elde edebileceğini göstermiştir. Ayrıca, Miotto ve ark.2 , sağlık sistemlerinde derin öğrenmenin uygulanmasıyla ilgili daha geniş fırsatları ve zorlukları incelemiştir. Ayrıca, ClinicalBERT3 gibi alana özgü yenilikler klinik metin anlayışını ve öngörü yeteneklerini geliştirmişken, MIMIC-III4, MIMIC-IV5 ve eICU6 gibi kıyaslama veri setleri kritik bakım araştırmalarında tekrarlanabilir ve büyük ölçekli değerlendirmeler yapılmasını sağlamıştır.

Federe öğrenme, veri gizliliğini tehlikeye atmadan iş birliğine dayalı sağlık analizlerini mümkün kılan bir çözüm olarak önemli ilgi gördü. Mevcut 7,8 çalışmalar, dijital sağlık gelişimindeki rolünü ve ilgili zorluklar ile açık araştırma konularını tartışmıştır. Ayrıca, federasyon öğrenimi, çok kurumlu işbirliği 9 ve COVID-19 hastaları için klinik sonuç tahmini gibi gerçek dünya sağlık senaryolarında pratik uygulanabilirlikgöstermiştir. Ancak, veri heterojenliği gibi zorluklar önemli olmaya devam etmektedir. Bunu ele almak için, heterojenortamlar 11 için optimizasyon stratejileri ve yerel parti normalizasyonunu kullanan FedBN12 gibi yaklaşımlar, model yakınsamasını ve genelleştirmesini iyileştirmek için önerilmiştir.

Federe öğrenimdeki güvenlik ve sağlamlık, düşman tehditlere artan maruz kalma nedeniyle kritik endişeler haline gelmiştir. Düşman örneklerkavramı, küçük dengesizliklerin derin öğrenme modellerini yüksek güvenle yanıltabileceğini ortaya koydu. Federatif ortamlarda, bu güvenlik açıklıkları arka kapısaldırıları 14 ve model zehirlenmesi gibi tehditlerle daha da kötüleşir. Bu riskleri ele almak için, düşmana dayanıklı kümelenmiş federe dayalı öğrenme yaklaşımları ve düşmanca eğitime dayalı sağlam optimizasyon teknikleriönerilmiştir 15,16. Ayrıca, gradyan güçlendirme ve LSTMmodelleri 17'yi entegre eden güvenli iletişim çerçeveleri, ortadan kişi-in-the-saldırılarını azaltmak için geliştirilmiştir. Aynı zamanda, DBAFL18,19 gibi gelişmiş mimariler dağıtık ortamlarda zehirlenme saldırılarına karşı savunmayı amaçlar.

Gizlilik koruma, federasyon sağlık sistemlerinde temel bir gereklilik olmaya devam etmektedir. İşbirlikle eğitilmiş modeller, GAN tabanlı saldırılarla hassas bilgileri sızdırabilir ve bu da doğasında bulunan gizlilik risklerini ortayakoyar. Bu tür sorunları azaltmak için, dağıtık öğrenmede gizliliği sağlamak amacıyla güvenli toplamaprotokolleri 21 ve diferansiyel gizlilikteknikleri 22 getirilmiştir. Ayrıca, güvenli EHR yönetimi ve veri paylaşımı için blockchain tabanlıçözümler 23,24 önerilmiş, ekçalışmalar 25,26,27,28 bu yaklaşımları sağlık sistemlerinde birlikte çalışabilirlik, güvenlik ve verimliliği artırmak için genişletmektedir.

Sağlık sektöründe yapay zekanın hızlı ilerlemesi, tahmin performansını ve karar alma süreçlerini artıran hibrit akıllı modeller ve entegre sistemlerin geliştirilmesine de yol açmıştır. Önceki çalışmalar ayrıca yapay zekanın tıpta dönüştürücürolünü tartışmıştır 29 ve makine öğrenimi sistemlerinde düşmanca saldırılar ve savunmamekanizmalarını 29,30.

Bu gelişmelere rağmen, mevcut araştırmalar hâlâ parçalı durumda. Birçok federasyon öğrenme modeli, düşman dayanıklılığını içermediği için saldırılara karşı savunmasız hale gelir. Ayrıca, alan heterojenliği genellikle yeterince ele alınmamış ve bu da kurumlar arasında genellemeyi sınırlar. Gizlilik koruma mekanizmaları genellikle sağlamlık ve alan uyumu stratejileriyle entegre olmadan izole olarak uygulanır; bu da eksik ve daha az güvenilir sağlık AI sistemlerine yol açar. Bu sınırlamaları gidermek için, bu makale, düşmanca eğitim, alan farkında dikkat mekanizmaları ve güvenli toplamayı birleştiren entegre bir Karşı Çıkarıcı Sağlam Federe Öğrenme çerçevesi önermektedir. Önerilen yaklaşım, saldırılara karşı dayanıklılığı artırır, heterojen klinik ortamlarda uyum sağlar ve hasta verilerinin gizliliğini sağlar; böylece gerçek dünyadaki çok kurumsal sağlık uygulamaları için kapsamlı bir çözüm sunar.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Önerilen metodoloji
Önerilen Karşı Dayanıklı Federasyon Öğrenme (AR-FL) modeli, hasta ölüm riskini farklı sağlık kurumları arasında güvenli ve iş birliği içinde tahmin etmeyi, veri gizliliğini korumayı ve sistemi düşman sorunlarına karşı dayanıklı kılmayı amaçlamaktadır. Dağıtım dört ana unsuru içerir: (1) Federe Öğrenme yapısı, (2) minimum maksimum optimizasyona dayalı düşman eğitimi, (3) alan farkında dikkat mekanizması ve (4) gizliliği koruyan parametre toplama. Metodoloji, ölüm riskini tahmin etmek için düşmanca sağlam federasyon öğrenme için sistematik bir akışla yürütülür. Şekil 2'de gösterilen süreç, birçok sağlık kuruluşundan veri toplama ile başlar, ardından özellikleri standartlaştırmak ve eksik değerleri yönetmek için veri ön işleme yapılır. Küresel bir model başlangıçta merkezi bir sunucu tarafından oluşturulur ve ardından her sağlık kurumuna gönderilir. Yerel rakip eğitim, sağlık kurumlarında gerçekleşir; bu da modelin bozulmalara karşı dayanıklılığını artırırken alan özgüslü verilere uyarlanmasına olanak tanır. Eğitimden sonra, yerel modellerin parametreleri güvenli parametre toplama yöntemiyle sunucuya güvenli şekilde iletilir. Sunucu, küresel modeli güncellemek için bu yerel model katkılarını kullanır. Bu süreç, modelin işbirlikçi şekilde geliştirilmesini kolaylaştırmak için yinelemeli bir optimizasyonda birkaç kez tekrarlanır. Sonuç olarak, model tahmin performansını, rakip dayanıklılığını ve kurumlar arasında genellemesini değerlendiren klinik kıyaslamalarla titizlikle değerlendirilir.

figure-protocol-1
Şekil 2: Önerilen AR-FL modeli. Bu şekil, önerilen Karşı Dayanıklı Federasyon Öğrenme modelinin genel mimarisini, düşmanca eğitim, alan farkında dikkat ve gizliliği koruyan güvenli toplama dahil olmak üzere sunmaktadır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Veri toplama
Bu çalışma için, kamuya açık iki Elektronik Sağlık Kaydı (EHR) veri seti kullanılmıştır: MIMIC-III4 ve eICU İşbirlikçi AraştırmaVeritabanı 6. MIMIC-III, tek bir büyük hastaneden 40.000'den fazla yoğun bakım yatışı sağlarken, eICU verileri ABD'deki çeşitli hastanelerden 200.000'den fazla yoğun bakım bakımını içermektedir. İlgili hasta demografiği, klinik ölçümler, laboratuvar test sonuçları, grafiklenmiş olaylar ve bu veri akışlarında kaydedilen sonuçlar, ölüm riski tahmini görevi için onları oldukça cazip kılar. EHR veri setleri, gerçekçi çok kurumsal federe dayalı bir öğrenme ortamı oluşturmak için farklı parçalara ayrılmıştır; her parça farklı bir hastane veya kurumu temsil eder. Yöntem, hastaların özellikleri, klinik protokolleri, dokümantasyon tarzları ve veri erişilebilirliği açısından kurumlar arasındaki farkları yakalar. Her simüle edilen kurum yalnızca kendi veri alt kümesine erişebilir ve merkezi sunucu veya diğer katılımcı istemcilerle herhangi bir ham kayıt paylaşmaz. Bu yaklaşım, gizlilik koruma ilkelerine tam uyumu garanti ederken aynı zamanda hastaneler arası iş birliğinin gerçek hayat sınırlamalarını simüle eder. Ölüm etiketleri, veri setlerinde belirtilen sonuç alanlarından, örneğin hastane içi ölüm göstergelerinden çıkarılır. Bu etiketler, federasyon öğrenme modeli için tahmin hedefleri olarak görev yapar. Her kurum, ölüm sonuçlarıyla ilgili kendi yerel hasta özellik kayıtlarını tutar ve hassas hasta bilgilerini ortaya çıkarmadan merkeziyetsiz model eğitimini mümkün kılar.

Veri ön işleme
Her kurum, model eğitimi başlamadan önce yerel EHR verilerini bağımsız olarak işliyor. Federe öğrenim, katılımcı kurumlar arasında hasta düzeyinde verilerin veya özet istatistiklerin paylaşılmasına izin vermediğinden, tüm ön işleme adımları her kurumda yerel olarak yapılır ve yalnızca o kurumun veri setindeki bilgilere dayanır. Ön işleme akışı bazı önemli adımlardan oluşur. Başlangıçta, hayati bulgelemeler, laboratuvar test sonuçları ve fizyolojik ölçümler gibi sayısal klinik değişkenler normalleştirilir; böylece değer aralıklarındaki farklar ortadan kaldırılır ve model yakınsamasını stabilize edilir. Her kurumun yerel verileri, normalleştirme için kullanılan istatistikleri hesaplamak için tek kaynaktır. Sonrasında, cinsiyet, kabul türü veya tanısal kategoriler gibi kategorik özellikler, tek bir sıcak kodlama veya kuruma özgü eşlemeler gibi yöntemlerle sayısal temsillere dönüştürülür. Bu nedenle, federasyon modeli, paylaşılan kodlama sözlüklerine veya kurumlar arası referans tablolarına ihtiyaç duymadan kategorik verileri işleyebilir. Üçüncüsü, klinik veri setlerinde yaygın olan eksik veriler yerel emputasyon teknikleriyle işlenir. Özellik türüne ve klinik bağlama bağlı olarak, kurumlar ortalama hesaplama, önceki gözlemlere dayanarak ileriye aktarma veya hatta kural tabanlı klinik değişimler gibi yöntemlere başvurabilir. Her kurum bağımsız olarak emputasyon yaptığı için, harici meta veri veya ortak emputasyon parametreleri gerekmez. Bu prosedürleri takip ederek, her kurum ilgili ölüm sonuçlarıyla birlikte tam bir işlenmiş özellik veri seti oluşturabilir. Yerel veri setleri daha sonra federasyon model eğitimi için girdi olarak kullanılır. Tüm ön işleme süreci boyunca, kurum dışına ham veri, türetilen istatistikler veya ara çıktılar iletilmez ve bu da gizlilik koruyucu veri yönetimi uygulamalarına sıkı bir şekilde bağlılık sağlanır.

Model başlatma
K {1, 2,..., K}, her kurumun yerel bir veri setine sahip olduğu kurumların (müşterilerin) koleksiyonu olsun. figure-protocol-2{ figure-protocol-3 burada figure-protocol-4 giriş EHR özelliklerini temsil eder ve figure-protocol-5 Associated ölüm etiketi (ikili veya kategorik) olarak belirlenir. Küresel bir model figure-protocol-6, tüm istemciler arasında işbirlikle eğitilir ve burada θ paylaşılan model parametreleridir.

Süreç, standart Federated Average (FedAvg) protokolünü takip eder:
Merkezi sunucu, küresel figure-protocol-7 parametreleri başlatır ve bunları yayınlar. Her istemci k∈K, verilerini kullanarak yerel eğitim yapar ve modeli günceller.figure-protocol-8 Sunucu, güncellemeleri ağırlıklı ortalamayı alarak birleştirir:

figure-protocol-9figure-protocol-10, burada n =figure-protocol-11

Merkezi sunucu başlatma prosedürü ve yerel eğitim adımları, T küresel iletişim turları için devam eder.

Yerel düşman eğitimi (Min–Max optimizasyonu)
Dayanıklılığı artırmak için, her müşteri kendi yerel sahasında rakip eğitimi uygular. Temiz veri üzerindeki ampirik riski en aza indirmek yerine, müşteriler bir min-max problemi ile uğraşır:

figure-protocol-12(x+δ),y)

L: Kayıp fonksiyonu
δ: Düşman rahatsızlığı figure-protocol-13
S: Düşman tehdit alanı
figure-protocol-14(x+δ): Bozuk girdi altında tahmin

Her yerel dönemde, Projeksiyonlu Gradient Descent (PGD) veya Hızlı Gradient İşaret Yöntemi (FGSM) kullanılarak karşıt örnekler oluşturulur. Daha sonra, modelin eğitimi bu örneklerle devam ederek dayanıklılığını artırır.

Alan farkında dikkat mekanizması
Farklı kurumlardan alınan Elektronik Sağlık Kayıtları (EHR) verileri, veri dağılımı, özellik anlamanlamı ve klinik uygulamalar açısından büyük farklılıklar gösterebilir. Bu sorunu çözmek için AR-FL modeli, modeline alana özgü bir dikkat modülü içeriyor.

Kurum k'den giriş vektörü böylesinfigure-protocol-15 figure-protocol-16 . Her özellik j∈ {1..., d} için dikkat ağırlıkları figure-protocol-17 şu şekilde hesaplanır:

figure-protocol-18=figure-protocol-19

burada eğitilebilir dikkat ağırlıkları vardır. Girdi şu şekilde yeniden ağırlıklandırılır:

figure-protocol-20

Bu mekanizma sayesinde, model kurumun kullandığı verilerin niteliğine göre klinik uygulama için önemli olan özellikleri vurgulayabilir ve böylece kurumun uyum sağlama ve yorumlanabilirliğini artırır.

Gizlilik koruyucu parametre toplama
AR-FL, iletişim sırasında en yüksek gizlilik seviyesini korumak için gerekirse çok güvenli toplama ve farklılık gizlilik teknikleri kullanır. Güvenli Toplama: Kullanıcılar model güncellemelerini öyle şifreler; sunucu sadece toplamı hesaplayabiliyor, ayrı katkıları hesaplayamıyor.

Diferansiyel Gizlilik: Model güncellemelerine gürültü ekler:

figure-protocol-21

Burada σ gizlilik-doğruluk dengesini kontrol eder.

Dağıtık güncellemeler sırasında, bu yaklaşımlar özel hasta verilerinin veya kurumsal bilgilerin sızdırma riski altında olmamasını sağlar.

Küresel model güncellemesi
Her kurumda yerel eğitim aşaması tamamlandıktan sonra, merkezi sunucu istemci tarafından gönderilen model güncellemelerini toplar. Bu güncellemeler yalnızca model parametrelerindeki değişikliklerden oluşur ve ham hasta verisi veya ara özellik temsili içermez. Çeşitli kurumlardan edinilen bilgileri birleştirmek için sunucu, Federated Average (FedAvg) yöntemini uygular. Bu süreçte, sunucu, her kurumda mevcut veri miktarına göre yerel modellerin ağırlıklı ortalamasını hesaplar. Daha büyük veri setleri sağlayan kurumlar, güncellenmiş küresel model üzerinde orantılı olarak daha fazla etkiye sahiptir. Güncellemeler güvenli toplama teknikleriyle iletildiyinden, sunucu herhangi bir kurumun parametrelerini göremez veya izole edemez. Bunun yerine, sunucu yalnızca şifreli veya gizlilik korumalı birleşik bir temsil alır. Bu, eğitim sürecinin gizliliğini ve tespit edilmiş kuruma özgü kalıpların veya hasta özelliklerinin yok edilmesini garanti eder. Toplu güncelleme hesaplandıktan sonra, sunucu, o iletişim turunda tüm işbirliği yapan kurumlardan elde edilen toplam bilgiyi temsil eden taze bir küresel model hazırlar. Yeni küresel model, yerel rekabet eğitiminin bir sonraki turunun başlaması için her kuruma geri gönderiliyor.

Yinelemeli optimizasyon
Federe öğrenme, birkaç iletişim turunu içeren çok aşamalı bir süreçtir. Her tur, yerel modelin eğitimi, güncellemelerin güvenli şekilde gönderilmesi, küresel toplama ve geliştirilmiş modelin katılımcılara dağıtılmasından oluşur. Tekrarlanan turlar, modelin yavaş yavaş sağlam ve kararlı bir çözüme doğru ilerlemesine yardımcı olur. Bu turlar sırasında, her kuruluş hasta popülasyonuna dair bilgilerini getirir ve böylece farklı ortamlarda klinik kalıpları belirleyebilen bir model oluşturur. Rekabetçi eğitim ve alan farkında dikkat mekanizmasının bazen her turda yerel eğitim yoluyla uygulandığı belirtilmelidir. Bu nedenle, model sürekli olarak geliştirilmekte ve düşman saldırılarla mücadele gücü artmakta, kurumlar arasında farklı özellik dağılımlarına uyum sağlama yeteneği de artmaktadır. Yinelemeli optimizasyon sayesinde, model sadece genelleme performansını iyileştirmekle kalmaz, aynı zamanda veri dengesizliği, kurumsal varyasyon ve düşman ortamlara karşı giderek daha hoşgörülü hale gelir. İşlem, önceden belirlenmiş bir iletişim tur sayısına ulaşılana veya küresel model kararlı yakınsamayı gösterene kadar uygulanır.

Değerlendirme
Tüm iletişim turlarının sonunda, nihai küresel model katılımcıların veri setlerinden türetilen beklenmiş test setleri kullanılarak kapsamlı şekilde değerlendirilir. Bu test setleri model eğitimi için kullanılmadığından, modelin performansının adil ve tarafsız bir ölçüsünü sağlarlar. Model etkinliği, farklı metriklerin çeşitli açılardan hesaplanması yoluyla değerlendirilir. Temiz doğruluk, normal koşulların olduğu durumu değerlendirir. Modelin ölüm sonuçlarını tahmin etmedeki doğruluğunu ölçür. Buna karşılık, karşıt doğruluk modeli, girdi verileri düşmanca değiştirildiğinde bile modelin performansını ne ölçüde koruyabildiğini tahmin eder. Alıcı operasyonel karakteristikli (ROC) eğrisinin (AUC-ROC) altındaki alan, modelin yaşayan ve ölen hastaları ayırt etme becerisine dair içgörü sağlar. F1 puanı, özellikle dengesiz klinik veri setleri için önemli olan hassasiyet-hatırlama ilişkisinin bir göstergesi olarak hizmet eder. Genelleştirme farkı, farklı kurumlar arasındaki performans farkını ortaya koyuyor ve böylece modelin çeşitli veri kaynaklarına uyum sağlama konusundaki çok yönlülüğünü gösteriyor. Gizlilik riski, güvenli toplama ve isteğe bağlı farklılık gizliliğinin hasta gizliliğini korumada etkili olup olmadığını belirleyen simüle edilmiş düşman saldırılarıyla nihayet ölçülür. Tüm bu değerlendirme metrikleri birlikte modelin öngörü gücü, düşman saldırılarına karşı direnci, farklı kurumlar arasında istikrar ve gizlilik koruma gereksinimlerine bağlılığı hakkında kapsamlı bir tablo ortaya çıkarır. Aşağıdaki algoritma 1 (Ek Dosya 1), Ölüm Riski Tahmini için Karşı Güçlü Federe Öğrenme (AR-FL) yöntemini gösterir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

AR-FL modeli, iki kamuya açık olan, kimliği silinmiş, çok kurumlu elektronik sağlık kaydı (EHR) veri seti üzerinde test edilmiştir: MIMIC-III ve eICU İşbirlikçi Araştırma Veritabanı; bu veri setleri, hastane içi ölüm sonuçlarını içeren çeşitli yoğun bakım hasta kayıtlarını içerir. Veri seti, kurumlar arasındaki veri özellikleri açısından gerçek farkları temsil eden simüle edilmiş hastane senaryolarına yayılmıştı. Her istemci (kurum) için kendi özel EHR verileriyle ayrı bir model eğitildi...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu makale, çok kurumlu Elektronik Sağlık Kayıtları (EHR) kullanarak doğruluğu, dayanıklılığı ve genellenebilirliği artırarak ölüm riski tahminini artırmayı amaçlayan Karşı Çıkarıcı Sağlam Federe Öğrenme (AR-FL) modelini sunmaktadır. Çalışma, rekabetçi eğitimin federasyon ortamına dahil edilmesinin, farklı kurumlar arasında girdi bozulmalarına ve alan değişkenliğine karşı daha dirençli hale getirerek modeli önemli ölçüde faydalandıracağını ortaya koyuyor. Bu yeni sonuçlar, önceki sonuçlar...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar rekabet eden çıkarlar belirtmemektedir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Adam OptimizerPyTorchhttps://pytorch.org/docs/stable/generated/torch.optim.Adam.htmlOptimizasyon
CUDA Araç SetiNVIDIAhttps://developer.nvidia.com/cuda-toolkitSürüm 11.8; GPU hızlandırma
Diferansiyel Gizlilik KütüphanesiOpacushttps://opacus.aiSürüm 1.3.0; DP tabanlı gizlilik koruma eğitimi
eICU İşbirlikçi Araştırma VeritabanıPhysioNethttps://physionet.org/content/eicu-crd/2.0/Yoğun bakım ve bakım hastası EHR verileri
MIMIC-IIIPhysioNethttps://physionet.org/content/mimiciii/1.4/Yoğun bakım ve bakım hastası EHR verileri
PGD Saldırı SenaryosuGitHubhttps://github.com/Saswati-C/AR-FL-HERVersiyon: commit-hash; Düşmanca örnek üretimi
PyTorchPyTorch.orghttps://pytorch.orgSürüm 2.0; Model uygulaması ve eğitimi
Tesla V100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/v100/Model eğitimi

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

eki meli E itimGizlili i Koruyan ModellerG venli ToplamaKlinik Karar DestekAlan Fark ndal kl DikkatKurumlar Aras Genellemeng r c Model Dayan kl l

İlgili makaleler