Federated Learning for Multi-Center Sepsis Early Prediction with Privacy-Preserving

Resumen Técnico: Aprendizaje Federado para la Predicción Temprana de Sepsis Multicéntrica con Preservación de la Privacidad

Planteamiento del Problema
La sepsis es una condición potencialmente mortal que requiere una predicción oportuna para reducir la mortalidad. Si bien los modelos de aprendizaje automático (por ejemplo, Random Forest, XGBoost) han mostrado resultados prometedores en entornos de un solo centro, enfrentan barreras críticas en escenarios clínicos multicéntricos. Los enfoques tradicionales dependen de la recolección centralizada de datos, lo cual suele ser inviable debido a las estrictas regulaciones de privacidad y la naturaleza sensible de la información del paciente. Además, los modelos centralizados sufren de una baja generalizabilidad entre instituciones debido a la heterogeneidad inherente de los datos. La investigación existente en Aprendizaje Federado (FL, por sus siglas en inglés) carece frecuentemente de validación en conjuntos de datos de Registros Electrónicos de Salud (EHR) cribados clínicamente y ofrece una verificación insuficiente de la seguridad de la privacidad frente a ataques avanzados como la reconstrucción de datos.

Metodología
El estudio propone un marco de Aprendizaje Federado (FL) horizontal basado en el algoritmo FedAvg para permitir la predicción colaborativa de la sepsis en tres hospitales de tercer nivel en China sin compartir datos brutos.

• Preprocesamiento de Datos: El conjunto de datos comprende 648 muestras cribadas clínicamente recolectadas entre 2014 y 2020 de la Hospital Southwest, el Hospital Xuanwu y el Hospital West China. Se aplicaron criterios de inclusión estrictos (p. ej., edad >18, estado ASA 2–4, cirugía abdominal, ausencia de sepsis preoperatoria). Los datos se procesaron a nivel de paciente utilizando un ColumnTransformer para manejar la heterogeneidad: las características continuas fueron estandarizadas, las características binarias se mantuvieron y las características categóricas se codificaron mediante one-hot encoding.
• Marco Federado: El sistema emplea un servidor central y tres clientes locales. El servidor inicializa los parámetros del modelo global y agrega las actualizaciones, mientras que los datos brutos permanecen locales. La arquitectura del modelo es un Autoencoder–MLP de extremo a extremo. El proceso de entrenamiento involucra optimización local, carga de parámetros, agregación ponderada (basada en el tamaño de la muestra) y redistribución de los parámetros globales.
• Análisis de Seguridad de la Privacidad:
  • Simulación de Ataque: El estudio simuló un ataque de reconstrucción de datos donde un servidor malicioso intenta reconstruir las etiquetas de los pacientes a partir de los parámetros del modelo transmitidos. La discrepancia entre las etiquetas reconstruidas y las reales se cuantificó utilizando el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE).
  • Privacidad Diferencial (DP): Para mejorar la seguridad, se implementó un mecanismo de privacidad diferencial local. Los clientes inyectan ruido de Laplace en las actualizaciones de los parámetros ($\Delta \theta$) antes de la agregación. La escala del ruido se determina mediante un método de estimación de sensibilidad dinámica basada en datos ($\Delta f = \|\Delta \theta\|_1 / \sqrt{N_i}$) y un presupuesto de privacidad ($\epsilon$).

Resultados Clave

• Desempeño Predictivo: El modelo centralizado logró un ROC AUC de 0.9027 y una precisión de 0.8564. El modelo de Aprendizaje Federado (FedAvg) alcanzó resultados comparables con un ROC AUC de 0.8902 y una precisión de 0.8205, demostrando que el entrenamiento distribuido incurre únicamente en una pérdida de rendimiento limitada mientras evita el intercambio de datos brutos.
• Resistencia a la Privacidad: En ausencia de Privacidad Diferencial (No-DP), el ataque de reconstrucción de datos produjo un MAE de 0.2264 y un RMSE de 0.4018. Estos valores de error indican una discrepancia sustancial entre los datos reconstruidos y los reales, lo que hace que las características reconstruidas no sean aptas para la toma de decisiones clínicas.
• Compromiso entre Privacidad y Desempeño: La introducción de la Privacidad Diferencial aumentó los errores de reconstrucción (por ejemplo, con $\epsilon=1$, el MAE aumentó a 0.6288), confirmando una mayor protección de la privacidad. Sin embargo, esto tuvo un costo en el desempeño predictivo, que cayó a un ROC AUC de 0.6375 con $\epsilon=1$, ilustrando un claro compromiso entre el presupuesto de privacidad y la precisión del modelo.

Significancia y Reivindicaciones
El artículo afirma validar la practicidad y seguridad del Aprendizaje Federado en la predicción de sepsis multicéntrica del mundo real. Sus principales contribuciones son:

1. Aplicabilidad Clínica: Demuestra que el FL puede lograr una precisión de predicción altamente comparable a los modelos centralizados utilizando datos clínicos del mundo real rigurosamente cribados, abordando los problemas de generalizabilidad de los modelos de un solo centro.
2. Verificación de la Privacidad: A diferencia de los estudios que dependen únicamente de derivaciones teóricas, este trabajo verifica empíricamente que los atacantes maliciosos no pueden reconstruir eficazmente los datos originales de los pacientes a partir de los parámetros del modelo, como lo evidencia la significativa de los errores de reconstrucción.
3. Solución Viable: El estudio proporciona un marco fiable para la colaboración médica multicéntrica con preservación de la privacidad, equilibrando con éxito la necesidad de compartir datos para la mejora del modelo con los requisitos regulatorios y éticos de la protección de la privacidad del paciente.

Los autores concluyen que este enfoque ofrece una solución de implementación viable para el punto de dolor de la industria en la colaboración de datos médicos interinstitucionales, asegurando el rendimiento del modelo mientras se cumple estrictamente con las regulaciones de privacidad.