Recent Methodological Advances in Federated Learning for Healthcare

要約

医療データセットの場合、倫理、プライバシー、物流上の懸念により、複数のサイトからのデータ サンプルを結合することができないことがよくあります。
フェデレーション ラーニングを使用すると、データをプールすることなく、強力な機械学習アルゴリズムを利用できます。
ヘルスケア データには、高度にサイロ化されたデータ、クラスの不均衡、データの欠損、分布の変化、標準化されていない変数など、対処する新しい方法論が必要な多くの課題が同時に存在します。
フェデレーテッド ラーニングでは、従来の集中型機械学習に方法論の大幅な複雑さが加わり、分散最適化、ノード間の通信、モデルの集約、モデルの再配布が必要になります。
この系統的レビューでは、2015 年 1 月から 2023 年 2 月までに発行され、医療データの課題に対処するための新しいフェデレーテッド ラーニング方法論を説明する Scopus に関するすべての論文を検討します。
これらの基準を満たす 89 件の論文を詳細にレビューしました。
レビューされた論文の多くで方法論を損なう重大な体系的問題が文献全体で確認されました。
医療におけるフェデレーション ラーニングの方法論開発の品質を向上させるための詳細な推奨事項を提供します。

要約(オリジナル)

For healthcare datasets, it is often not possible to combine data samples from multiple sites due to ethical, privacy or logistical concerns. Federated learning allows for the utilisation of powerful machine learning algorithms without requiring the pooling of data. Healthcare data has many simultaneous challenges which require new methodologies to address, such as highly-siloed data, class imbalance, missing data, distribution shifts and non-standardised variables. Federated learning adds significant methodological complexity to conventional centralised machine learning, requiring distributed optimisation, communication between nodes, aggregation of models and redistribution of models. In this systematic review, we consider all papers on Scopus that were published between January 2015 and February 2023 and which describe new federated learning methodologies for addressing challenges with healthcare data. We performed a detailed review of the 89 papers which fulfilled these criteria. Significant systemic issues were identified throughout the literature which compromise the methodologies in many of the papers reviewed. We give detailed recommendations to help improve the quality of the methodology development for federated learning in healthcare.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google