FedTGNN-SS: Apprendimento Semi-Supervisionato Federato per la Predizione Privacy-Preserving del GDM
Un nuovo framework di machine learning, FedTGNN-SS, affronta due sfide chiave nella previsione del Diabete Mellito Gestazionale (GDM) a partire da cartelle cliniche elettroniche: scarsità di etichette e privacy dei dati. Il framework opera in un contesto federato in cui ogni ospedale addestra una rete neurale grafica (GNN) locale su un grafo di similarità paziente-paziente basato su k-nearest-neighbor, senza condividere dati grezzi dei pazienti. Per sfruttare i dati non etichettati, impiega pseudo-etichettatura guidata da prototipi con accordo di vicinato, raffinamento adattivo del grafo e consistenza clinicamente consapevole. L'approccio mira a migliorare la stratificazione precoce del rischio per il GDM, una complicanza della gravidanza ad alta prevalenza, preservando la privacy dei pazienti. L'articolo è pubblicato su arXiv con identificativo 2605.01810.
Fatti principali
- FedTGNN-SS è un framework federato semi-supervisionato per dati EHR tabulari.
- Utilizza grafi di similarità paziente-paziente k-NN locali e encoder GNN adattivi alla topologia.
- La pseudo-etichettatura guidata da prototipi con accordo di vicinato sfrutta i record non etichettati.
- Il raffinamento adattivo del grafo aggiorna periodicamente il grafo k-NN utilizzando embedding appresi.
- La consistenza clinicamente consapevole è incorporata per migliorare l'apprendimento.
- Il framework affronta la scarsità di etichette e la privacy dei dati nella previsione del GDM.
- Il GDM è una complicanza della gravidanza ad alta prevalenza che richiede una stratificazione precoce del rischio.
- L'articolo è disponibile su arXiv con ID 2605.01810.
Entità
Istituzioni
- arXiv