机构名称：
¥ 1.0
摘要 抑郁症是最常见的精神疾病之一，且患者表现出的症状各异，导致在临床和病理研究过程中诊断困难。尽管研究者希望人工智能能够为抑郁症的诊断和治疗做出贡献，但传统的集中式机器学习方法需要汇总患者数据，而精神疾病患者的数据隐私需要严格保密，这阻碍了机器学习算法的临床应用。针对抑郁症医疗数据隐私问题，我们开展了一项联邦学习对抑郁症进行分析和诊断的研究。首先，我们提出了一个利用多源数据的通用多视图联邦学习框架，该框架可以扩展任何传统机器学习模型以支持跨不同机构或多方的联邦学习。其次，我们采用后期融合方法解决多视图数据时间序列不一致的问题。最后，我们将联邦框架与其他合作学习框架进行了性能比较，并讨论了相关结果。实验结果表明，在参与人员足够多的联邦学习情况下，抑郁评分预测准确率可达85.13%，相比本地训练提升约15%；在参与人员较少、数据量足够的情况下，抑郁评分预测准确率也能达到84.32%，提升率约为9%。
从多源移动健康数据中进行隐私保护联合抑郁症检测
主要关键词
相关文件推荐
