Föderiertes Lernen mit tiefen neuronalen Netzwerken: Ein datenschutzfreundlicher Ansatz zur verbesserten EKG-Klassifizierung

Als Reaktion auf zunehmende Vorschriften zum Datenschutz untersucht diese Arbeit den Einsatz von föderiertem Lernen für tiefe Residualnetzwerke zur Diagnose von Herzrhythmusstörungen anhand von Elektrokardiogramm (EKG)-Daten. Dieser Ansatz ermöglicht es medizinischen Einrichtungen, ohne Austausch von Rohpatientendaten zusammenzuarbeiten. Wir nutzen die öffentlich verfügbaren Daten der PhysioNet/Computing in Cardiology Challenge 2021, die verschiedene EKG-Datenbanken umfassen, um die Klassifikationsleistung von drei Methoden des föderierten Lernens sowohl mit zentralem Training und Datenaustausch als auch in isolierten Trainingsszenarien zu vergleichen. Wir zeigen, dass das föderierte Lernen EKG-Klassifizierer übertrifft, die isoliert trainiert wurden. Insbesondere zeigen unsere Ergebnisse, dass ein global trainiertes Modell, das auf spezifische lokale Datensätze abgestimmt ist, nicht-kollaborative Ansätze übertrifft. Dies zeigt, dass in Föderation trainierte Modelle allgemeine Merkmale lernen, die auf spezifische Aufgaben zugeschnitten werden können. Darüber hinaus erreicht das föderierte Lernen nahezu die Leistung des zentralen Trainings mit Datenaustausch bei Daten, die außerhalb der Verteilung von nicht teilnehmenden Institutionen stammen. Diese Ergebnisse heben die Fähigkeit des föderierten Lernens hervor, Modelle zu entwickeln, die gut über verschiedene Patientendaten generalisieren, ohne dass Daten zwischen Institutionen geteilt werden müssen, was den Datenschutzbedenken Rechnung trägt.