精选理由
这篇论文展示了联邦学习如何让两个不同规模、不同数据来源的医院协同训练模型，预测心血管病风险更准还保护隐私，值得医疗AI从业者看看。
该研究提出使用联邦深度学习进行隐私保护的心血管疾病风险预测，整合了两个异质性队列：Lifelines（148,230名参与者，自报结果）和Rotterdam Study（10,155名参与者，临床链接结果）。联邦训练的深度生存模型在Rotterdam Study上C-statistic从0.728升至0.739，在Lifelines上从0.783升至0.787，均优于本地训练模型。结果表明联邦学习能在不共享患者数据的前提下提升预测性能。
AI 翻译 · 中文
该研究提出使用联邦深度学习进行隐私保护的心血管疾病风险预测，整合了两个异质性队列：Lifelines（148,230名参与者，自报结果）和Rotterdam Study（10,155名参与者，临床链接结果）。联邦训练的深度生存模型在Rotterdam Study上C-statistic从0.728升至0.739，在Lifelines上从0.783升至0.787，均优于本地训练模型。结果表明联邦学习能在不共享患者数据的前提下提升预测性能。
Cardiovascular disease risk prediction models often rely on data from a single institution or centrally pooled datasets. Extending these models across institutions could be limited by privacy regulations and constraints …