【論文読み】Federated learning for predicting clinical outcomes in patients with COVID-19

はじめに

こんにちは。論文を1人で読んだ結果の紹介記事です。
今回紹介するのは、「Federated learning for predicting clinical outcomes in patients with COVID-19」という論文です。

• タイトル：Federated learning for predicting clinical outcomes in patients with COVID-19
• 出典：Ittai Dayan, et al.; Nature Medicine, 2021
• URL：https://www.nature.com/articles/s41591-021-01506-3.pdf

概要

複数の医療機関でデータを共有せず連合学習を適用してCOVID-19患者の酸素必要量を予測した。
AUCは0.92を達成し、単一の医療機関で学習させるよりも16%も平均AUCを向上した。

技術的特徴

• 連合学習（Federated Learning, FL）の1つであるクライアント・サーバー方式では、未学習モデルを他のサーバー（ノード）に送り、ノードで学習が行われる。その結果を中央のサーバーで統合（連合）し、訓練を終了させるまで(モデルが収束するまで)反復する。クライアントとサーバーの間ではモデルの重みや勾配のみが伝達される。
• 説明変数は20個の特徴量(胸部エックス線画像や血液検査の結果、酸素飽和度など)で、目的変数は救急診療部への入院から24時間後、72時間後の患者の酸素投与量（リスク）
• 目的変数は5種類の0から1の値をとる。分類ではなく回帰を行うので出力値は0~1。
• 画像データに対してはResNet34を使用して特徴抽出する。
• 重みの更新を25%しか共有しなくても連合学習モデルは同等の性能を発揮
• 2019年12月から2020年9月まで20機関から合計16,148件のデータが用意

想定される適用例

• データを共有できないシステム間でのモデルの統合
• エッジとクラウドで構成されるIoTシステム全般

参考

• 連合学習でCOVID-19感染者の酸素投与量予測
• Federated learning for predicting clinical outcomes in patients with COVID-19