Core Concepts
フェデレーテッドラーニングは、クロピドグレル治療失敗の検出において有望な手法であり、患者ケアを向上させる可能性がある。
Abstract
本研究では、クロピドグレル治療失敗の検出におけるフェデレーテッドラーニング戦略を活用しています。複数の医療機関が協力して機械学習モデルを共同でトレーニングし、感染性の高い患者データを保護しながら行います。UKバイオバンクデータセットを使用し、地理的センターに基づいてデータを分割し、フェデレーテッドラーニングのパフォーマンスを評価しました。中央集中型トレーニングは高いAUC値と収束速度を達成しますが、フェデレーテッドラーニングアプローチはこのパフォーマンス差を大幅に縮小できます。我々の結果は、フェデレーテッドラーニングがクロピドグレル治療失敗の検出において可能性があり、個別化された治療戦略を通じて患者ケアを向上させる可能性があることを強調しています。
Stats
中央集中型トレーニングシナリオでMLアーキテクチャのAUC値:FCN 0.793, GRU 0.957
FCNモデルは22か所すべて参加した場合にAUC 0.777を達成しました。
GRUモデルは8か所だけ参加した場合にAUC 0.940まで到達しました。
Quotes
"Our results show that while centralized training achieves higher Area Under the Curve (AUC) values and faster convergence, federated learning approaches can substantially narrow this performance gap."
"This study contributes to the growing body of research on federated learning in healthcare and lays the groundwork for secure and privacy-preserving predictive models for various medical conditions."
"As we look to the future, our research paves the way for further investigations into advanced model consolidation techniques that can optimize federated learning in healthcare scenarios."