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

Resumo Técnico: Aprendizado Federado para Predição Precoce de Sepse Multicêntrica com Preservação de Privacidade

Declaração do Problema
A sepse é uma condição de risco de vida que exige predição oportuna para reduzir a mortalidade. Embora modelos de aprendizado de máquina (ex: Random Forest, XGBoost) tenham mostrado promessa em cenários de centro único, eles enfrentam barreiras críticas em cenários clínicos multicêntricos. Abordagens tradicionais dependem da coleta centralizada de dados, o que é frequentemente inviável devido às rigorosas regulamentações de privacidade e à natureza sensível das informações dos pacientes. Além disso, modelos centralizados sofrem de baixa generalização entre instituições devido à inerente heterogeneidade dos dados. As pesquisas existentes em Aprendizado Federado (FL) carecem de validação em conjuntos de dados de Registros Eletrônicos de Saúde (EHR) clinicamente triados e de múltiplos centros, além de oferecerem verificação insuficiente da segurança de privacidade contra ataques avançados, como a reconstrução de dados.

Metodologia
O estudo propõe um framework de Aprendizado Federado (FL) horizontal baseado no algoritmo FedAvg para permitir a predição colaborativa de sepse entre três hospitais terciários na China sem compartilhar dados brutos.

• Pré-processamento de Dados: O conjunto de dados compreende 648 amostras clinicamente triadas coletadas entre 2014 e 2020 da Southwest Hospital, Xuanwu Hospital e West China Hospital. Critérios de inclusão estritos foram aplicados (ex: idade >18, status ASA 2–4, cirurgia abdominal, sem sepse pré-operatória). Os dados foram processados ao nível do paciente usando um ColumnTransformer para lidar com a heterogeneidade: características contínuas foram padronizadas, características binárias foram mantidas e características categóricas foram codificadas via one-hot encoding.
• Framework Federado: O sistema utiliza um servidor central e três clientes locais. O servidor inicializa os parâmetros globais do modelo e agrega as atualizações, enquanto os dados brutos permanecem locais. A arquitetura do modelo é um Autoencoder–MLP de ponta a ponta. O processo de treinamento envolve otimização local, upload de parâmetros, agregação ponderada (baseada no tamanho da amostra) e redistribuição de parâmetros globais.
• Análise de Segurança de Privacidade:
  • Simulação de Ataque: O estudo simulou um ataque de reconstrução de dados onde um servidor malicioso tenta reconstruir rótulos de pacientes a partir dos parâmetros do modelo transmitidos. A discrepância entre os rótulos reconstruídos e os reais foi quantificada usando Erro Médio Absoluto (MAE) e Erro Quadrático Médio (RMSE).
  • Privacidade Diferencial (DP): Para aumentar a segurança, um mecanismo de privacidade diferencial local foi implementado. Os clientes injetam ruído de Laplace nas atualizações de parâmetros ($\Delta \theta$) antes da agregação. A escala do ruído é determinada por um método de estimativa de sensibilidade dinâmica baseada em dados ($\Delta f = \|\Delta \theta\|_1 / \sqrt{N_i}$) e um orçamento de privacidade ($\epsilon$).

Principais Resultados

• Desempenho Preditivo: O modelo centralizado alcançou um ROC AUC de 0,9027 e acurácia de 0,8564. O modelo de Aprendizado Federado (FedAvg) alcançou resultados comparáveis com um ROC AUC de 0,8902 e acurácia de 0,8205, demonstrando que o treinamento distribuído acarreta apenas uma perda limitada de desempenho enquanto evita a troca de dados brutos.
• Resistência à Privacidade: Na ausência de Privacidade Diferencial (No-DP), o ataque de reconstrução de dados gerou um MAE de 0,2264 e um RMSE de 0,4018. Esses valores de erro indicam uma discrepância substancial entre os dados reconstruídos e os reais, tornando as características reconstruídas inadequadas para a tomada de decisão clínica.
• Trade-off Privacidade-Desempenho: A introdução da Privacidade Diferencial aumentou os erros de reconstrução (ex: em $\epsilon=1$, o MAE subiu para 0,6288), confirmando uma proteção de privacidade mais forte. No entanto, isso ocorreu às custas do desempenho preditivo, que caiu para um ROC AUC de 0,6375 em $\epsilon=1$, ilustrando um claro trade-off entre o orçamento de privacidade e a acurácia do modelo.

Significância e Alegações
O artigo afirma validar a praticidade e a segurança do Aprendizado Federado na predição de sepse multicêntrica no mundo real. Suas principais contribuições são:

1. Aplicabilidade Clínica: Demonstra que o FL pode alcançar uma acurácia de predição altamente comparável aos modelos centralizados usando dados clínicos de múltiplos centros rigorosamente triados, abordando os problemas de generalização de modelos de centro único.
2. Verificação de Privacidade: Ao contrário de estudos que dependem apenas de derivações teóricas, este trabalho verifica empiricamente que atacantes maliciosos não podem reconstruir efetivamente os dados originais dos pacientes a partir dos parâmetros do modelo, conforme evidenciado pelos erros significativos de reconstrução.
3. Solução Viável: O estudo fornece um framework confiável para a colaboração médica multicêntrica com preservação de privacidade, equilibrando com sucesso a necessidade de compartilhamento de dados para melhoria do modelo com os requisitos regulatórios e éticos de proteção à privacidade do paciente.

Os autores concluem que esta abordagem oferece uma solução de implementação viável para a dor do setor de colaboração de dados médicos interinstitucionais, garantindo o desempenho do modelo enquanto adere estritamente às regulamentações de privacidade.