要約
機械学習 (ML) は、臨床意思決定プロセスをサポートする上で不可欠なツールとなり、強化された診断機能と個別化された治療計画を提供する可能性があります。
ただし、患者データを使用して ML モデルをトレーニングするために医療記録をアウトソーシングすると、法的、プライバシー、セキュリティ上の懸念が生じます。
フェデレーテッド ラーニングは、機密データを共有したり患者のプライバシーを侵害したりすることなく、堅牢なモデルに対する医療機関の要件を満たし、協調 ML の有望なパラダイムとして浮上しています。
この研究では、フェデレーテッド ラーニング (FL) とグラフ ニューラル ネットワーク (GNN) を組み合わせて、複数の医療機関にわたる脳波 (EEG) 信号を使用して脳卒中の重症度を予測する新しい方法を提案します。
私たちのアプローチにより、複数の病院が患者情報を交換することなく、ローカルの EEG データに基づいて共有 GNN モデルを共同でトレーニングできるようになります。
具体的には、脳卒中重症度の重要な指標である国立衛生研究所の脳卒中スケール (NIHSS) を予測することで回帰問題に対処します。
提案されたモデルは、マスクされた自己注意メカニズムを利用して顕著な脳接続パターンを捕捉し、EdgeSHAP を使用して脳卒中後の神経学的状態の事後説明を提供します。
私たちは、4 つの施設からの脳波記録でこの方法を評価し、NIHSS を予測する際の平均絶対誤差 (MAE) 3.23 を達成しました。これは、人間の専門家による平均誤差 (MAE $\約 $3.0) に近い値です。
これは、データのプライバシーを維持しながら、正確で説明可能な予測を提供するこの方法の有効性を示しています。
要約(オリジナル)
Machine learning (ML) has the potential to become an essential tool in supporting clinical decision-making processes, offering enhanced diagnostic capabilities and personalized treatment plans. However, outsourcing medical records to train ML models using patient data raises legal, privacy, and security concerns. Federated learning has emerged as a promising paradigm for collaborative ML, meeting healthcare institutions’ requirements for robust models without sharing sensitive data and compromising patient privacy. This study proposes a novel method that combines federated learning (FL) and Graph Neural Networks (GNNs) to predict stroke severity using electroencephalography (EEG) signals across multiple medical institutions. Our approach enables multiple hospitals to jointly train a shared GNN model on their local EEG data without exchanging patient information. Specifically, we address a regression problem by predicting the National Institutes of Health Stroke Scale (NIHSS), a key indicator of stroke severity. The proposed model leverages a masked self-attention mechanism to capture salient brain connectivity patterns and employs EdgeSHAP to provide post-hoc explanations of the neurological states after a stroke. We evaluated our method on EEG recordings from four institutions, achieving a mean absolute error (MAE) of 3.23 in predicting NIHSS, close to the average error made by human experts (MAE $\approx$ 3.0). This demonstrates the method’s effectiveness in providing accurate and explainable predictions while maintaining data privacy.
arxiv情報
著者 | Andrea Protani,Lorenzo Giusti,Albert Sund Aillet,Simona Sacco,Paolo Manganotti,Lucio Marinelli,Diogo Reis Santos,Pierpaolo Brutti,Pietro Caliandro,Luigi Serio |
発行日 | 2024-11-04 17:13:35+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google