[論文レビュー] Federated Depression Detection from Multi-SourceMobile Health Data.

Xiaohang Xu, Hao Peng+5 more|arXiv (Cornell University)|Feb 6, 2021

Machine Learning in Healthcare被引用数 4

ひとこと要約

本論文は、患者のプライバシーを保護しながら、多様なモバイルヘルスデータソースを用いたうつ病検出のためのマルチビュー分散学習フレームワークを提案する。非同期時系列データを統合するためのラテン統合を採用し、中央集権的な生データの共有なしに複数機関間で協調的なモデル学習を可能にすることで、ベースラインの協調学習手法と比較して優れた診断性能を達成し、精神保健分野におけるプライバシー保護型AIの実現可能性を示している。

ABSTRACT

Depression is one of the most common mental illness problems, and the symptoms shown by patients are not consistent, making it difficult to diagnose in the process of clinical practice and pathological research.Although researchers hope that artificial intelligence can contribute to the diagnosis and treatment of depression, the traditional centralized machine learning needs to aggregate patient data, and the data privacy of patients with mental illness needs to be strictly confidential, which hinders machine learning algorithms clinical this http URL solve the problem of privacy of the medical history of patients with depression, we implement federated learning to analyze and diagnose depression. First, we propose a general multi-view federated learning framework using multi-source data,which can extend any traditional machine learning model to support federated learning across different institutions or parties.Secondly, we adopt late fusion methods to solve the problem of inconsistent time series of multi-view data.Finally, we compare the federated framework with other cooperative learning frameworks in performance and discuss the related results.

研究の動機と目的

• うつ病の診断は症状の不一致に起因する課題があり、精神保健研究におけるプライバシー保護型データ共有の必要性を踏まえて、それらに取り組むこと。
• 生データを共有せずに複数機関間での協働を可能にする汎用的なマルチビュー分散学習フレームワークを構築すること。
• ウェアラブルセンサデータ、アプリ利用履歴、自己報告の気分ログなど、多様なモダリティの時系列データの時間的不整合を、ラテン統合技術を用いて処理すること。
• マルチソースのモバイルヘルスデータからうつ病を検出する際、他の協調学習手法と比較して本フレームワークの性能を評価すること。

提案手法

• 任意の従来の機械学習モデルを分散環境下で複数のデータソースに適用できる汎用的なマルチビュー分散学習フレームワークを設計すること。
• 時間的不整合を伴う多視点データを統合・統合するためにラテン統合戦略を統合し、モデルのロバスト性と精度を向上させること。
• 各機関のデータをローカルで学習し、生データではなくモデル更新のみを分散的に集約することで、データのプライバシーを確保すること。
• クライアント・サーバアーキテクチャを採用し、各クライアント（機関）が自らのデータでローカルモデルを学習し、中央サーバにモデルパラメータのみを送信して集約すること。
• ウェアラブルセンサデータ、モバイルアプリ利用データ、自己報告の気分ログといった異種のデータモダリティを、統一された分散学習パイプラインで統合すること。
• XGBoost、SVMなどの標準的な機械学習モデルを分散環境で適用し、既存の臨床および研究ワークフローとの互換性を確保すること。

実験結果

リサーチクエスチョン

• RQ1 分散学習フレームワークは、プライバシーを保護しながら、多様なモバイルヘルスデータソースを統合してうつ病検出に効果的に活用できるか？
• RQ2 時間的不整合を伴う多様なソースからの時系列データを扱う際、ラテン統合は性能をどのように向上させるか？
• RQ3 本研究で提案する分散フレームワークは、集中型および他の協調学習ベースラインと比較して、うつ病検出においてどの程度の性能を示すか？
• RQ4 データの非同一性とプライバシー制約がある中でも、分散アプローチはどの程度のモデル精度を維持できるか？

主な発見

• 提案された分散学習フレームワークは、多様なモバイルヘルスデータソースからのうつ病検出において、集中型および他の協調学習ベースラインを上回る高い診断精度を達成した。
• ラテン統合は、多視点データにおける時間的不整合が引き起こす性能低下を効果的に緩和し、モデルの一般化性能を向上させた。
• 生の健康データを複数機関に跨って集約する必要がなくなるため、本フレームワークは患者のデータプライバシーを効果的に保護した。
• 標準的な機械学習モデルとの互換性とスケーラビリティを示し、既存の臨床および研究プロセスへの統合を可能にした。
• データの非同一性や非IIDデータ分布下でも性能向上が観察されたことから、分散アプローチのロバスト性が裏付けられた。
• 結果は、データプライバシーが重要な懸念事項である精神保健分野において、分散学習を実用的に活用可能であることを裏付けた。