NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Akıllı sağlık teknolojisi ile birleştirilen Cloud tabanlı yapay zeka (AI), hastalık şiddetini pasif olarak izlemek için güçlü bir araç sunar. Bununla birlikte, mevcut yöntemler, hasta verilerini buluta iletmeyi gerektirdiğinden gizlilik endişelerini gündeme getirmektedir. Potansiyel bir çözüm, yalnızca kullanıcı verileri yerine yerel olarak eğitilmiş sinir ağlarının (NNs) ağırlıklarını paylaşan Federated Learning (FL) 'dir. Burada, Parkinson hastalığı (PD) şiddetini akıllı ev senaryosunda değerlendirmek için başvurusunu göstermek için bir FL sistemini simüle ettik. PD'li 89 kişi de dahil olmak üzere MethodsRetrospektif verileri, 6 yıl boyunca 18 aylık aralıklarla 7 gün boyunca evde alt sırtta bir ivmeölçer giydi. Hasta özellikleri (yaş, cinsiyet ve vücut kitle indeksi) ve PD'nin klinik ölçümleri, Hareket Bozukluğu Derneği Birleşik Parkinson Hastalığı Değerlendirme Ölçeği (MDS-UPDRS)-Bölüm III de dahil olmak üzere ek olarak toplandı. Bu hasta özellikleri ile birlikte gerçek dünya günlük yürüyüş önlemleri MDS-UPDRS-III skorunu tahmin etmek için kullanılmıştır. FL için, her katılımcı için yerel bir model eğitildi ve küresel bir model (bu yerel modellerin bir toplamı) görünmeyen katılımcılar üzerinde test edildi.SonuçlarSimülasyonlu bir FL sisteminin performansı, hasta verilerinin paylaşıldığı geleneksel bir Makine Öğrenimi (ML) yaklaşımıyla karşılaştırıldı. Geleneksel ML yaklaşımında ortalama 10.43 mutlak hata (MAE) vardı. Küresel FL modeli 10.22'lik benzer bir MAE'ye sahipti, ancak yetersizdi ve yerel, kişiselleştirilmiş modellerin ortalama MAE'si 4.83 idi. Shapley Additive exPlanations (SHAP) analizi, katılımcıların yaş ve cinsiyetinin geleneksel ML'de çok önemli olmasına rağmen, yerel FL modelleri için böyle olmadığını ve küresel model performansının azalmasına yol açtığını gösterdi. Burada, sistemden az sayıda katılımcıyı rezerve etmenin ve bunları tüm yerel modeller için eğitim verilerine dahil etmenin, bu özelliklerin önemini geri getirdiğini ve küresel FL performansının (MAE = 9.26) arttığını, ancak yerel performansın azaldığını (MAE = 6.83) gösteriyor.Bu keşif çalışması, önerilen yaklaşımımızın FL'nin herhangi bir hasta verisini paylaşmadan geleneksel Makine Öğrenimine benzer doğruluk elde etmesini sağladığını, ancak yerel performansa yönelik maliyetlerle, akıllı ev gizliliğine ve daha önce kişiselleştirme sistemine yol açtığını göstermektedir.
Özgün kaynak özetini okuyun
IntroductionCloud-based artificial intelligence (AI) combined with smart-health technology presents a powerful tool to passively monitor disease severity. However, current methods raise privacy concerns as they require transmitting patient data to the cloud. A potential solution is Federated Learning (FL), which only shares the weights of locally trained neural networks (NNs) instead of user data. Here, we simulated an FL system to demonstrate its application for evaluating Parkinson's disease (PD) severity in a smart-home scenario.MethodsRetrospective data including 89 people with PD wore an accelerometer on the lower-back at home for 7 days at 18-month intervals over 6 years. Patient characteristics (age, sex, and body mass index) and clinical measures of PD were additionally collected, including the Movement Disorder Society Unified Parkinson's Disease Rating Scale (MDS-UPDRS)-Part III. Real-world daily gait measures along with these patient characteristics were used to predict the MDS-UPDRS-III score. For FL, a local model was trained for each participant, and a global model (an aggregation of these local models) was tested on unseen participants.ResultsThe performance of a simulated FL system was compared with that of a traditional Machine Learning (ML) approach in which patient data were shared. The traditional ML approach had a mean absolute error (MAE) of 10.43. The global FL model had a similar MAE of 10.22 but was underfitted, and the mean MAE of the local, personalised models was 4.83. Shapley Additive exPlanations (SHAP) analysis showed that while the participants' age and sex were very important in traditional ML, this was not the case for the local FL models, leading to a decrease in global model performance. Here, we show that reserving a small number of participants from the system and including them in training data for all local models restored the importance of these features and improved global FL performance (MAE = 9.26) but reduced local performance (MAE = 6.83).ConclusionThis exploratory study shows that our proposed approach enables FL to achieve similar accuracy to traditional Machine Learning without sharing any patient data but with costs to the local performance, leading towards a smart-home system that prioritises personalisation and patient privacy.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.