Federated Learning and Differential Privacy Techniques on Multi-hospital Population-scale Electrocardiogram Data

要約

この研究論文では、集団規模の心電図 (ECG) データにフェデレーテッド ラーニング (FL) および差分プライバシー (DP) 技術を適用する方法を検討します。
この研究では、カナダのアルバータ州にある 7 つの病院からの 1,565,849 件の ECG トレースに基づいて、FL と DP を使用したマルチラベル ECG 分類モデルを学習します。
FL アプローチでは、さまざまな心臓病を診断するための堅牢な ECG 分類モデルを構築しながら、病院間で生データを共有することなく、共同でモデル トレーニングを行うことができました。
これらの正確な ECG 分類モデルは、FL および DP 技術を使用して患者の機密性を維持しながら、診断を容易にすることができます。
私たちの結果は、FL アプローチの実装を使用して達成されたパフォーマンスが、すべての病院からの集約データに対してモデルがトレーニングされるプールされたアプローチのパフォーマンスに匹敵することを示しています。
さらに、我々の調査結果は、トレーニング用の ECG が限られている病院では、単一施設でのトレーニングと比較して FL モデルを採用することで利益が得られることを示唆しています。
さらに、この研究では、モデルのトレーニング中に DP を採用することにより、モデルのパフォーマンスとデータ プライバシーの間のトレードオフを示しています。
私たちのコードは https://github.com/vikhyatt/Hospital-FL-DP で入手できます。

要約(オリジナル)

This research paper explores ways to apply Federated Learning (FL) and Differential Privacy (DP) techniques to population-scale Electrocardiogram (ECG) data. The study learns a multi-label ECG classification model using FL and DP based on 1,565,849 ECG tracings from 7 hospitals in Alberta, Canada. The FL approach allowed collaborative model training without sharing raw data between hospitals while building robust ECG classification models for diagnosing various cardiac conditions. These accurate ECG classification models can facilitate the diagnoses while preserving patient confidentiality using FL and DP techniques. Our results show that the performance achieved using our implementation of the FL approach is comparable to that of the pooled approach, where the model is trained over the aggregating data from all hospitals. Furthermore, our findings suggest that hospitals with limited ECGs for training can benefit from adopting the FL model compared to single-site training. In addition, this study showcases the trade-off between model performance and data privacy by employing DP during model training. Our code is available at https://github.com/vikhyatt/Hospital-FL-DP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google