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

Sintesi Tecnica: Apprendimento Federato per la Previsione Precoce della Sepsi Multi-Centro con Preservazione della Privacy

Problematica
La sepsi è una condizione potenzialmente letale che richiede una previsione tempestiva per ridurre la mortalità. Sebbene i modelli di machine learning (ad es. Random Forest, XGBoost) abbiano mostrato risultati promettenti in contesti a centro singolo, essi affrontano barriere critiche negli scenari clinici multi-centro. Gli approcci tradizionali si basano sulla raccolta centralizzata dei dati, il che è spesso impraticabile a causa delle rigorose normative sulla privacy e della natura sensibile delle informazioni dei pazienti. Inoltre, i modelli centralizzati soffrono di una scarsa generalizzabilità tra le istituzioni a causa dell'inerente eterogeneità dei dati. La ricerca esistente sull'Apprendimento Federato (FL) spesso manca di validazione su dataset di cartelle cliniche elettroniche (EHR) multi-centro clinicamente selezionati e offre una verifica insufficiente della sicurezza della privacy contro attacchi avanzati come la ricostruzione dei dati.

Metodologia
Lo studio propone un framework di Apprendimento Federato (FL) orizzontale basato sull'algoritmo FedAvg per consentire la previsione collaborativa della sepsi tra tre ospedali terziari in Cina senza condividere i dati grezzi.

• Pre-elaborazione dei dati: Il dataset comprende 648 campioni clinicamente selezionati raccolti tra il 2014 e il 2020 presso l'Ospedale Southwest, l'Ospedale Xuanwu e l'Ospedale West China. Sono stati applicati rigorosi criteri di inclusione (ad es. età >18, stato ASA 2–4, chirurgia addominale, assenza di sepsi preoperatoria). I dati sono stati elaborati a livello di paziente utilizzando un ColumnTransformer per gestire l'eterogeneità: le caratteristiche continue sono state standardizzate, le caratteristiche binarie mantenute e le caratteristiche categoriche codificate tramite one-hot encoding.
• Framework Federato: Il sistema impiega un server centrale e tre client locali. Il server inizializza i parametri del modello globale e aggrega gli aggiornamenti, mentre i dati grezzi rimangono locali. L'architettura del modello è un Autoencoder–MLP end-to-end. Il processo di addestramento prevede l'ottimizzazione locale, il caricamento dei parametri, l'aggregazione ponderata (in base alla dimensione del campione) e la ridistribuzione dei parametri globali.
• Analisi della Sicurezza della Privacy:
  • Simulazione di Attacco: Lo studio ha simulato un attacco di ricostruzione dei dati in cui un server malevolo tenta di ricostruire le etichette dei pazienti dai parametri del modello trasmessi. La discrepanza tra le etichette ricostruite e quelle reali è stata quantificata utilizzando l'Errore Assoluto Medio (MAE) e l'Errore Quadratico Medio (RMSE).
  • Privacy Differenziale (DP): Per migliorare la sicurezza, è stato implementato un meccanismo di privacy differenziale locale. I client iniettano rumore di Laplace negli aggiornamenti dei parametri ($\Delta \theta$) prima dell'aggregazione. La scala del rumore è determinata da un metodo di stima della sensibilità dinamica guidato dai dati ($\Delta f = \|\Delta \theta\|_1 / \sqrt{N_i}$) e da un budget di privacy ($\epsilon$).

Risultati Chiave

• Performance Predittiva: Il modello centralizzato ha raggiunto un ROC AUC di 0,9027 e un'accuratezza di 0,8564. Il modello di Apprendimento Federato (FedAvg) ha ottenuto risultati comparabili con un ROC AUC di 0,8902 e un'accuratezza di 0,8205, dimostrando che l'addestramento distribuito comporta solo una limitata perdita di performance pur evitando lo scambio di dati grezzi.
• Resistenza alla Privacy: In assenza di Privacy Differenziale (No-DP), l'attacco di ricostruzione dei dati ha prodotto un MAE di 0,2264 e un RMSE di 0,4018. Questi valori di errore indicano una discrepanza sostanziale tra i dati ricostruiti e quelli reali, rendendo le caratteristiche ricostruite inadatte al processo decisionale clinico.
• Trade-off Privacy-Performance: L'introduzione della Privacy Differenziale ha aumentato gli errori di ricostruzione (ad es., a $\epsilon=1$, il MAE è salito a 0,6288), confermando una maggiore protezione della privacy. Tuttavia, ciò è avvenuto a scapito della performance predittiva, che è scesa a un ROC AUC di 0,6375 a $\epsilon=1$, illustrando un chiaro compromesso tra il budget di privacy e l'accuratezza del modello.

Significatività e Rivendicazioni
Il documento sostiene di validare la praticità e la sicurezza dell'Apprendimento Federato nella previsione della sepsi multi-centro nel mondo reale. I suoi principali contributi sono:

1. Applicabilità Clinica: Dimostra che l'FL può raggiungere un'accuratezza di previsione altamente comparabile ai modelli centralizzati utilizzando dati clinici multi-centro del mondo reale rigorosamente selezionati, affrontando i problemi di generalizzabilità dei modelli a centro singolo.
2. Verifica della Privacy: A differenza degli studi che si affidano esclusivamente a derivazioni teoriche, questo lavoro verifica empiricamente che gli attaccanti malevoli non possono ricostruire efficacemente i dati originali dei pazienti dai parametri del modello, come dimostrato dai significativi errori di ricostruzione.
3. Soluzione Fattibile: Lo studio fornisce un framework affidabile per la collaborazione medica multi-centro che preserva la privacy, bilanciando con successo la necessità di condivisione dei dati per il miglioramento del modello con i requisiti normativi ed etici della protezione della privacy dei pazienti.

Gli autori concludono che questo approccio offre una soluzione di implementazione fattibile per il problema critico del settore relativo alla collaborazione sui dati medici inter-istituzionali, garantendo le prestazioni del modello pur rispettando rigorosamente le normative sulla privacy.