CONCORDAT: Trustworthy multimodal federated learning for autism research under incomplete, heterogeneous and privacy-constrained health data
CONCORDAT is een cross-silo federated learning-framework dat betrouwbaar, privacy-bewarend multimodaal autismeonderzoek mogelijk maakt door heterogene en incomplete gezondheidsgegevens over meerdere locaties te integreren, terwijl het tegelijkertijd uitdagingen op het gebied van ontbrekende gegevens, differentiële privacy en subgroepsequiteit aanpakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Autisme is een complexe conditie van het menselijk brein, een conditie die onderzoekers al lang proberen te begrijpen door te kijken naar hoe het brein is opgebouwd en hoe het zich gedraagt. Om een duidelijk beeld te krijgen, combineren wetenschappers meestal verschillende soorten informatie: gedetailleerde beelden van de structuur van het brein, gegevens over de leeftijd en het geslacht van een persoon, scores van tests die intelligentie meten, en rapporten over hoe een persoon met anderen omgaat. Het verzamelen van deze informatie is echter altijd een moeilijke puzzel geweest. In de echte wereld is deze data verspreid over vele verschillende ziekenhuizen en onderzoekscentra. Elk centrum verzamelt zijn eigen set gegevens, maar strikte privacywetten verhinderen dat zij simpelweg al hun patiëntendossiers naar één centrale computer sturen. Dit creëert een barrière: onderzoekers kunnen de data wel analyseren als deze op één plek blijft, maar ze kunnen de data niet samenbrengen om het volledige plaatje te zien.
Een nieuwe aanpak genaamd federated learning biedt een manier om deze barrière te omzeilen. In plaats van de patiëntgegevens naar een centrale locatie te verplaatsen, stuurt deze methode het computerprogramma naar de data. Het programma bezoekt elk ziekenhuis, leert van de lokale gegevens, en stuurt vervolgens alleen een samenvatting terug van wat het heeft geleerd, zonder ooit de individuele patiëntgegevens te onthullen. Dit stelt veel instellingen in staat om samen te werken alsof ze één groot team zijn, terwijl de privé-informatie van iedere persoon veilig blijft in het eigen ziekenhuis. De uitdaging is echter om ervoor te zorgen dat deze gedistribueerde methode net zo goed werkt als de oude manier van het samenvoegen van alle data, en dat het ook eerlijk en nauwkeurig blijft wanneer bepaalde informatie ontbreekt of wanneer de privacyregels zeer strikt zijn.
In een recente studie ontwikkelde een onderzoeker genaamd Jarin Alam Prity een systeem genaamd CONCORDAT om precies te testen hoe goed deze aanpak werkt voor autismeonderzoek. Het team gebruikte gegevens van twintig verschillende locaties met meer dan duizend mensen om te zien of ze een betrouwbaar model konden bouwen zonder ooit de ruwe gegevens te verplaatsen. Ze ontdekten dat wanneer ze hersenbeelden combineerden met demografische details, intelligentiescores en gedragsrapporten, het systeem aanzienlijk beter werd in het onderscheiden van mensen met autisme en mensen zonder. Specifiek verbeterde het toevoegen van deze extra lagen informatie het vermogen van het systeem om het verschil te zien met een kleine maar betekenisvolle hoeveelheid. Het belangrijkste was dat het systeem bewees dat het kon leren van deze verspreide bronnen en resultaten kon produceren die wiskundig identiek waren aan wat er gevonden zou zijn als alle data op één plek gecombineerd waren. Dit betekent dat ziekenhuizen niet hoeven te kiezen tussen het beschermen van de privacy van patiënten en het verkrijgen van nauwkeurige wetenschappelijke resultaten; ze kunnen beide hebben.
De studie keek ook naar wat er gebeurt als de data incompleet is, wat een zeer voorkomende realiteit is in medisch onderzoek. Soms heeft een ziekenhuis hersenscans maar geen gedragsrapporten, of heeft het intelligentiescores maar geen specifieke sociale beoordelingen. De onderzoekers testten acht verschillende scenario's waarbij delen van de informatie ontbraken om te zien hoe het systeem hiermee om zou gaan. Ze ontdekten dat hoewel het systeem over het algemeen goed functioneerde, het ontbreken van bepaalde soorten informatie, zoals gedragsscores, een specifieke zwakte kon verbergen: het systeem zou op papier nog steeds goed kunnen lijken, maar in een werkelijke setting mogelijk niet genoeg gevallen kan detecteren. Deze bevinding suggereert dat artsen bij het gebruik van dergelijke systemen verder moeten kijken dan eenvoudige succespercentages en moeten controleren hoe goed het systeem presteert onder de specifieke omstandigheden van hun eigen ziekenhuis.
Privacy was een ander belangrijk focuspunt van het werk. De onderzoekers testten hoeveel de nauwkeurigheid van het systeem zou dalen als ze extra lagen van wiskundige bescherming zouden toevoegen om te garanderen dat niemand ooit kan raden uit welk ziekenhuis een patiënt kwam. Ze ontdekten dat er een hoge prijs is voor deze extra beveiliging. Als de privacyregels extreem strikt worden gemaakt, neemt het vermogen van het systeem om correcte voorspellingen te doen merkbaar af. Ze vonden echter ook een manier om deze regels af te stemmen, zodat ziekenhuizen een niveau van bescherming kunnen kiezen dat het systeem bruikbaar houdt terwijl het toch aan de wettelijke vereisten voldoet. Bovendien adresseerde de studie een cruciaal probleem van eerlijkheid. Autisme wordt vaak minder vaak gediagnosticeerd bij vrouwen dan bij mannen, en computermodellen die getraind zijn op gemengde groepen kunnen soms de signalen bij vrouwen missen. De onderzoekers testten een methode om tijdens het leerproces extra gewicht te geven aan vrouwelijke patiënten. Ze ontdekten dat deze aanpassing er succesvol aan heeft bijgedragen dat het systeem autisme bij vrouwen veel vaker oppikt, hoewel dit gepaard ging met een minimale afruil in de algehele nauwkeurigheid. Dit bewijst dat het mogelijk is om deze systemen rechtvaardiger te maken zonder ze te breken.
Ten slotte testte het team hun systeem op een volledig andere, kleinere groep mensen met een ander type hersenscan-data om te zien of de methode stand zou houden in een nieuwe omgeving. De resultaten waren eerlijk en duidelijk: bij deze kleine groep kon het systeem geen betrouwbaar patroon vinden om autisme te voorspellen. In plaats van dit resultaat te verzwijgen, rapporteerden de onderzoekers het openlijk, waarmee ze lieten zien dat hun methode een veiligheidscontrole bevat om het onderscheid te maken tussen een echte ontdekking en een toevallige uitschieter. Deze transparantie is cruciaal voor de medische wetenschap, omdat het ervoor zorgt dat instrumenten niet worden ingezet op basis van valse hoop. De studie concludeert dat hoewel deze systemen nog niet klaar zijn om zelfstandig autisme te diagnosticeren, ze een betrouwbaar, controleerbaar kader bieden voor ziekenhuizen om veilig samen te werken. Door privacy, ontbrekende data en eerlijkheid te behandelen als verbonden onderdelen van hetzelfde probleem, biedt CONCORDAT een praktisch pad vooruit voor onderzoek naar de gezondheid van het brein, waardoor instellingen van elkaar kunnen leren zonder ooit het vertrouwen van de mensen die zij dienen te schenden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.