EHRFL: Federated Learning Framework for Institution-Specific Model Construction using Electronic Health Records

要約

医療機関全体で電子医療記録 (EHR) の量が増加しているため、臨床予測タスクにおけるモデルの精度と堅牢性を向上させる機会が生まれています。
フェデレーション ラーニングにより、患者のプライバシーを保護し、規制上の制約を遵守しながら、複数の機関からのデータを使用したトレーニングが可能になります。
ただし、フェデレーテッド ラーニングの研究のほとんどは、複数のクライアント向けのグローバル モデルの構築に焦点を当てており、機関固有のモデルの実際的な必要性を見落としています。
この作業では、単一の医療機関に合わせたモデルを開発するために設計された EHR を使用した連合学習フレームワークである EHRFL を紹介します。
私たちのフレームワークは、2 つの重要な課題に対処しています。(1) テキストベースの EHR モデリングを使用して、異種 EHR システムを備えた機関全体でのフェデレーテッド ラーニングを可能にする、(2) 平均化された患者エンベディングを使用して適切な参加クライアントを選択することで、フェデレーテッド ラーニングに関連するコストを削減し、最適化を可能にします。
機関のモデルのパフォーマンスを損なうことなく参加者の数を増やすことができます。
複数のオープンソース EHR データセットに対する私たちの実験結果は、2 つの課題に対処する際の EHRFL の有効性を実証し、フェデレーテッド ラーニングにおける機関固有のモデル開発のための実用的なソリューションとして EHRFL を確立しました。

要約(オリジナル)

The increasing volume of electronic health records (EHRs) across healthcare institutions presents the opportunity to enhance model accuracy and robustness in clinical prediction tasks. Federated learning enables training on data from multiple institutions while preserving patient privacy and complying to regulatory constraints. However, most federated learning research focuses on constructing a global model for multiple clients, overlooking the practical need for institution-specific models. In this work, we introduce EHRFL, a federated learning framework using EHRs designed to develop a model tailored to a single healthcare institution. Our framework addresses two key challenges: (1) enabling federated learning across institutions with heterogeneous EHR systems using text-based EHR modeling, and (2) reducing the costs associated with federated learning by selecting suitable participating clients using averaged patient embeddings, which enables optimizing the number of participants without compromising model performance for the institution. Our experiment results on multiple open-source EHR datasets demonstrate the effectiveness of EHRFL in addressing the two challenges, establishing it as a practical solution for institution-specific model development in federated learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google