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

Technische Samenvatting: Federated Learning voor Vroege Sepsis-voorspelling in Meerdere Centra met Privacybescherming

Probleemstelling
Sepsis is een levensbedreigende aandoening die tijdige voorspelling vereist om de mortaliteit te verminderen. Hoewel machine learning-modellen (bijv. Random Forest, XGBoost) veelbelovend zijn gebleken in scenario's met één centrum, worden ze geconfronteerd met kritieke barrières in klinische scenario's met meerdere centra. Traditionele benaderingen vertrouwen op gecentraliseerde gegevensverzameling, wat vaak onhaalbaar is vanwege strikte privacyregels en de gevoelige aard van patiëntinformatie. Bovendien lijden gecentraliseerde modellen aan een slechte generaliseerbaarheid over instellingen heen door inherente datatheterogeniteit. Bestaand onderzoek naar Federated Learning (FL) mist vaak validatie op klinisch gescreende, multi-center Electronic Health Record (EHR) datasets en biedt onvoldoende verificatie van privacybeveiliging tegen geavanceerde aanvallen zoals datareconstructie.

Methodologie
De studie stelt een horizontale Federated Learning (FL) framework voor, gebaseerd op het FedAvg-algoritme, om collaboratieve sepsis-voorspelling mogelijk te maken over drie tertiaire ziekenhuizen in China zonder het delen van ruwe gegevens.

• Data Preprocessing: De dataset bestaat uit 648 klinisch gescreende monsters verzameld tussen 2014 en 2020 van Southwest Hospital, Xuanwu Hospital en West China Hospital. Er zijn strikte inclusiecriteria toegepast (bijv. leeftijd >18, ASA-status 2–4, abdominale chirurgie, geen preoperatieve sepsis). De gegevens werden op patiëntniveau verwerkt met behulp van een ColumnTransformer om heterogeniteit te behandelen: continue kenmerken werden gestandaardiseerd, binaire kenmerken werden behouden en categorische kenmerken werden one-hot gecodeerd.
• Federated Framework: Het systeem maakt gebruik van een centrale server en drie lokale clients. De server initialiseert globale modelparameters en aggregeert updates, terwijl de ruwe gegevens lokaal blijven. De modelarchitectuur is een end-to-end Autoencoder–MLP. Het trainingsproces omvat lokale optimalisatie, parameterupload, gewogen aggregatie (gebaseerd op de steekproefomvang) en herdistributie van globale parameters.
• Privacy Security Analyse:
  • Aanvalssimulatie: De studie simuleerde een datareconstructie-aanval waarbij een kwaadwillige server probeert patiëntlabels te reconstrueren uit de verzonden modelparameters. De discrepantie tussen gereconstrueerde en ware labels werd gekwantificeerd met behulp van Mean Absolute Error (MAE) en Root Mean Square Error (RMSE).
  • Differential Privacy (DP): Om de beveiliging te verbeteren, werd een lokale differential privacy-mechanisme geïmplementeerd. Clients injecteren Laplace-ruis in parameterupdates ($\Delta \theta$) vóór aggregatie. De ruisschaal wordt bepaald door een datagedreven dynamische sensitiviteitsinschatting ($\Delta f = \|\Delta \theta\|_1 / \sqrt{N_i}$) en een privacybudget ($\epsilon$).

Belangrijkste Resultaten

• Voorspellende Prestaties: Het gecentraliseerde model behaalde een ROC AUC van 0,9027 en een nauwkeurigheid van 0,8564. Het Federated Learning (FedAvg) model behaalde vergelijkbare resultaten met een ROC AUC van 0,8902 en een nauwkeurigheid van 0,8205, wat aantoont dat gedistribueerde training slechts beperkt prestatieverlies met zich meebrengt terwijl het uitwisseling van ruwe gegevens vermijdt.
• Privacy-resistentie: In de afwezigheid van Differential Privacy (No-DP) leverde de datareconstructie-aanval een MAE op van 0,2264 en een RMSE van 0,4018. Deze foutwaarden duiden op een aanzienlijke discrepantie tussen de gereconstrueerde en de ware data, waardoor de gereconstrueerde kenmerken ongeschikt zijn voor klinische besluitvorming.
• Privacy-Prestatie Trade-off: Het introduceren van Differential Privacy verhoogde de reconstructiefouten (bijv. bij $\epsilon=1$ steeg de MAE naar 0,6288), wat bevestigt dat er sterkere privacybescherming is. Dit ging echter ten koste van de voorspellende prestaties, die daalden naar een ROC AUC van 0,6375 bij $\epsilon=1$, wat een duidelijke trade-off illustreert tussen het privacybudget en de modelnauwkeurigheid.

Betekenis en Claims
Het artikel beweert de praktische bruikbaarheid en veiligheid van Federated Learning in real-world multi-center sepsis-voorspelling te valideren. De primaire bijdragen zijn:

1. Klinische Toepasbaarheid: Het toont aan dat FL een voorspellende nauwkeurigheid kan bereiken die zeer vergelijkbaar is met gecentraliseerde modellen met behulp van strikt gescreende, real-world multi-center klinische data, waarmee de generaliseerbaarheidsproblemen van single-center modellen worden aangepakt.
2. Privacy Verificatie: In tegen afhankelijk van studies die uitsluitend op theoretische afleidingen vertrouwen, verifieert dit werk empirisch dat kwaadwillende aanvallers niet effectief de originele patiëntgegevens kunnen reconstrueren uit modelparameters, zoals blijkt uit significante reconstructiefouten.
3. Haalbare Oplossing: De studie biedt een betrouwbaar framework voor privacy-bewarende multi-center medische samenwerking, waarbij succesvol een balans wordt gevonden tussen de behoefte aan datadeling voor modelverbetering en de regelgevende en ethische vereisten van patiëntprivacy.

De auteurs concluderen dat deze aanpak een haalbare implementatieoplossing biedt voor het industriële knelpunt van cross-institutionele medische datacollaboratie, waarbij de modelprestaties worden gewaarborgd terwijl strikt aan de privacyregelgeving wordt voldaan.