Apr, 2024
EHRFL：异构电子健康记录的联邦学习框架及参与客户精确定向选择
EHRFL: Federated Learning Framework for Heterogeneous EHRs and Precision-guided Selection of Participating Clients
Jiyoun Kim, Junu Kim, Kyunghoon Hur, Edward Choi
TL;DR本研究提供了针对电子健康记录（EHRs）的联邦学习中两个实际但常被忽视的场景的解决方案：首先，我们介绍了 EHRFL，这是一个框架，通过 EHR 的文本线性化，促进了具有不同医疗编码系统和数据库模式的医疗机构之间的联邦学习；其次，我们聚焦于单个医疗机构发起联邦学习以构建适合自身的模型的场景，在选择参与机构时，我们提出了一种新颖的基于精度的方法，利用数据潜变量来确定适合机构的参与者。我们的实证结果表明，EHRFL 能够有效实现具有不同 EHR 系统的医院之间的联邦学习。此外，我们的结果证明了我们的基于精度的方法在选择减少数量的参与机构时不会损害模型性能，从而降低了构建机构特定模型时的运营成本。我们相信这项工作为 EHR 上的联邦学习的更广泛应用奠定了基础。