Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data

Riepilogo Tecnico: Analisi della Sopravvivenza Federata in ambito Sanitario

Definizione del Problema
L'analisi della sopravvivenza è fondamentale per il processo decisionale clinico in oncologia, in particolare nel carcinoma mammario, dove la stima dei tempi di esito (es. decesso, recidiva) informa la prognosi e il trattamento. Tuttavia, lo sviluppo di modelli robusti richiede coorti ampie e diversificate, che raramente sono disponibili in un'unica istituzione a causa della natura decentralizzata dei dati sanitari. Inoltre, le normative sulla privacy (es. GDPR, HIPAA) impediscono la centralizzazione delle cartelle cliniche dei pazienti. Sebbene l'Apprendimento Federato (FL) offra un'alternaiva che preserva la privacy, permettendo di addestrare modelli condivisi senza scambiare dati grezzi, la sua efficacia per la modellazione della sopravvivenza in condizioni realistiche ed eterogenee rimane insufficientemente compresa. La letteratura esistente si concentra spesso su singole famiglie di modelli o propone nuovi algoritmi valutati in isolamento, mancando di confronti sistematici tra diverse architetture di modelli e paradigmi di addestramento. Inoltre, vi è una scarsità di guide pratiche orientate alle decisioni per la selezione di modelli e strategie di addestramento basate su specifiche caratteristiche dei dati, vincoli di privacy e limitazioni di risorse.

Metodologia
Lo studio presenta una valutazione sistematica e multi-modello dell'analisi della sopravvivenza federata utilizzando il dataset Fed-TCGA-BRCA dal benchmark suite FLamby. Questo dataset comprende profili clinici, patologici e molecolari di 1.088 pazienti con tumore al seno attraverso sei istituzioni, mostrando una naturale eterogeneità inter-istituzionale in termini di dimensioni dei campioni, tassi di eventi e tempi di follow-up.

La valutazione confronta tre modelli di sopravvivenza rappresentativi:

1. Cox Proportional Hazards (CoxPH): Un baseline statistico semi-parametrico.
2. DeepSurv: Un'estensione di Deep Learning del modello CoxPH che utilizza reti neurali per modellare effetti di covariate non lineari.
3. Random Survival Forest (RSF): Un metodo ad ensemble di alberi che cattura relazioni non lineari senza assunzioni parametriche.

Questi modelli sono stati addestrati sotto tre paradigmi:

• Centralizzato: Tutti i dati sono accorpati (miglior caso di riferimento).
• Locale: Addestramento indipendente sui dati di ogni client (baseline di limite inferiore).
• Federato: Addestramento collaborativo tramite un server centrale senza condivisione dei dati.

Per i modelli basati sul gradiente (CoxPH e DeepSurv), sono state valutate tre strategie di ottimizzazione federata: FedAvg (media standard), FedProx (aggiunta di un termine prossimale per limitare il drift locale) e FedAdam (ottimizzazione adattiva lato server). RSF ha utilizzato un approccio di aggregazione degli alberi (FedSurF++) anziché aggiornamenti del gradiente.

Gli esperimenti sono stati condotti con diverse configurazioni di client (3, 4 e 5 client) per simulare diversi livelli di eterogeneità dei dati. Le prestazioni sono state valutate utilizzando metriche di discriminazione (Indice di Concordanza/C-Index, AUC tempo-dipendente) e metriche di calibrazione (Integrated Brier Score/IBS).

Contributi Chiave

1. Confronto Empirico Unificato: Il documento fornisce un confronto diretto tra CoxPH, DeepSurv e RSF attraverso l'addestramento locale, federato e centralizzato su una reale coorte di pazienti con tumore al seno multi-istituzionale con distribuzioni naturalmente eterogenee.
2. Analisi dell'Eterogeneità: Analizza come il numero e la composizione dei client partecipanti influenzino sia la discriminazione che la calibrazione, rivelando che le prestazioni dipendono più dalla diversità delle distribuzioni dei dati che dal mero numero di client.
3. Valutazione delle Strategie di Ottimizzazione: Valuta la robustezza di FedAvg, FedProx e FedAdam per i modelli di sopravvivenza basati sul gradiente in condizioni eterogenee.
4. Linee Guida Orientate alle Decisioni: Lo studio deriva linee guida pratiche che mappano specifici vincoli (eterogeneità dei dati, privacy, interpretabilità, risorse computazionali) su raccomandazioni per la scelta del modello e del paradigma di addestramento.

Risultati

• Federato vs Locale/Centralizzato: L'apprendimento federato ha superato costantemente l'addestramento locale e si è avvicinato, o occasionalmente ha superato, le prestazioni centralizzate. In particolare, DeepSurv nell'ambito federato ha ottenuto una discriminazione maggiore (C-Index: 0,727) rispetto all'addestramento centralizzato (0,707) nella configurazione a 5 client, suggerendo che l'aggregazione di aggiornamenti eterogenei possa agire come un regolarizzatore.
• Prestazioni dei Modelli:
  • RSF ha dimostrato il miglior equilibrio complessivo tra discriminazione, calibrazione e robustezza tra i client eterogenei. Ha costantemente ottenuto l'IBS più basso (migliore calibrazione) e prestazioni stabili tra i client.
  • DeepSurv ha mostrato una forte capacità predittiva, eguagliando spesso o superando le prestazioni centralizzate nelle impostazioni federate, sebbene abbia mostrato una variabilità leggermente superiore rispetto a RSF.
  • CoxPH ha performato bene in contesti omogenei, ma ha mostrato una minore discriminazione e una maggiore variabilità in condizioni di eterogeneità, probabilmente a causa della sua dipendenza dalle assunzioni di rischi proporzionali e dai set di rischio globali.
• Strategie di Ottimizzazione: FedAvg e FedProx si sono dimostrati più forti e stabili rispetto a FedAdam sia per CoxPH che per DeepSurv. FedAdam ha costantemente prodotto una minore discriminazione e valori di IBS più elevati. FedProx ha offerto guadagni marginali rispetto a FedAvg in scenari altamente eterogenei (es. configurazione a 3 client per DeepSurv).
• Impatto della Composizione dei Client: Ridurre il numero di client non ha degradato monotonicamente le prestazioni; piuttosto, la distribuzione specifica dei dati dei client esclusi era determinante. La calibrazione (IBS) è stata particolarmente sensibile alla diversità dei tempi di sopravvivenza osservati e dei pattern di eventi, degradando quando venivano esclusi specifici pattern di distribuzione dei client.

Significatività e Rivendicazioni
Il documento sostiene che l'analisi della sopravvivenza federata sia un approccio vitale ed efficace per l'ambito sanitario, offrendo un'alternativa che preserva la privacy e può eguagliare o superare le prestazioni centralizzate senza la necessità di centralizzare i dati. Lo studio evidenzia che RSF è la scelta più robusta per contesti federati reali ed eterogenei, offrendo il miglior compromesso tra discriminazione e calibrazione. Al contrario, CoxPH rimane preferibile per scenari che danno priorità all'interpretabilità o dove i dati sono omogenei.

Gli autori sottolineano che la scelta del modello e della strategia di addestramento deve essere guidata da specifici vincoli:

• Per client eterogenei o applicazioni critiche per la calibrazione, si raccomanda RSF con addestramento federato.
• Per studi focalizzati sull'interpretabilità, è preferibile CoxPH nonostante la minore performance predittiva in contesti eterogenei.
• Per dati scarsi o sbilanciati, l'addestramento federato con RSF o DeepSurv migliora significativamente le prestazioni rispetto all'addestramento locale.
• Per rigidi vincoli di privacy, gli approcci federati si sono dimostrati soluzioni pratiche che approssimano le prestazioni centralizzate.

Lo studio conclude che, sebbene l'apprendimento federato sia efficace, il suo successo è governato dalla diversità delle distribuzioni dei client piuttosto che dal semplice numero di partecipanti, e che strategie di aggregazione più semplici come FedAvg sono spesso sufficienti rispetto a metodi adattivi più complessi come FedAdam in questo specifico contesto.