Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach

要約

新たに 1 型糖尿病 (T1D) と診断された患者は、継続血糖モニタリング (CGM) からの十分な血糖値データが不足しているため、有効な血糖値 (BG) 予測モデルを取得するのに苦労することが多く、患者ケアにおいて重大な「コールド スタート」問題が生じています。
この課題に対処するために人口モデルを活用することは潜在的な解決策ですが、プライバシーを意識した方法で人口モデルをトレーニングするための患者データを収集することは、特にそのようなデータが個人のデバイスに保存されることが多いことを考えると困難です。
プライバシー保護を考慮し、糖尿病治療における「コールドスタート」問題に対処するために、非同期分散フェデレーション学習による血糖予測「GluADFL」を提案します。
私たちは、298 人の参加者からなる 4 つの異なる T1D データセットを使用して、GluADFL を 8 つのベースライン手法と比較しました。これにより、患者間の分析で BG レベルを正確に予測する際の優れたパフォーマンスが実証されました。
さらに、患者のデータは、GluADFL のさまざまな通信ネットワークにわたって保存および共有される可能性があり、その範囲は、高度に相互接続されている (例: ランダム、最もパフォーマンスが高い) から、さまざまなソーシャル ネットワークに適した、より構造化されたトポロジ (例: クラスターおよびリング) まで多岐にわたります。
非同期トレーニング フレームワークは、柔軟な参加をサポートします。
非アクティブな参加者の割合を調整することで、非アクティブな参加者が 70% 未満であれば安定していることがわかりました。
私たちの結果は、GluADFL が T1D における血糖値予測のための実用的でプライバシーを保護したソリューションを提供し、糖尿病管理の質を大幅に向上させることを裏付けています。

要約(オリジナル)

Newly diagnosed Type 1 Diabetes (T1D) patients often struggle to obtain effective Blood Glucose (BG) prediction models due to the lack of sufficient BG data from Continuous Glucose Monitoring (CGM), presenting a significant ‘cold start’ problem in patient care. Utilizing population models to address this challenge is a potential solution, but collecting patient data for training population models in a privacy-conscious manner is challenging, especially given that such data is often stored on personal devices. Considering the privacy protection and addressing the ‘cold start’ problem in diabetes care, we propose ‘GluADFL’, blood Glucose prediction by Asynchronous Decentralized Federated Learning. We compared GluADFL with eight baseline methods using four distinct T1D datasets, comprising 298 participants, which demonstrated its superior performance in accurately predicting BG levels for cross-patient analysis. Furthermore, patients’ data might be stored and shared across various communication networks in GluADFL, ranging from highly interconnected (e.g., random, performs the best among others) to more structured topologies (e.g., cluster and ring), suitable for various social networks. The asynchronous training framework supports flexible participation. By adjusting the ratios of inactive participants, we found it remains stable if less than 70% are inactive. Our results confirm that GluADFL offers a practical, privacy-preserving solution for BG prediction in T1D, significantly enhancing the quality of diabetes management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google