[논문 리뷰] Federated Depression Detection from Multi-SourceMobile Health Data.

Xiaohang Xu, Hao Peng외 5명|arXiv (Cornell University)|2021. 02. 06.

Machine Learning in Healthcare인용 수 4

한 줄 요약

이 논문은 환자의 개인정보를 보호하면서 다양한 모바일 헬스 데이터 소스를 활용한 다중 시야 연합 학습 프레임워크를 제안한다. 이는 이질적인 시계열 데이터를 정렬하기 위해 후기 융합(early fusion)을 적용하고, 원시 데이터를 중앙집중화하지 않고도 기관 간 협업 학습을 가능하게 하여, 기존의 기초적 협업 학습 방법에 비해 더 뛰어난 진단 성능을 달성한다. 이는 정신건강 분야에서 개인정보 보호 기반 인공지능의 실현 가능성을 입증한다.

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.

연구 동기 및 목표

• 우울증 진단의 과제는 증상의 일관성 부족과 정신건강 연구에서의 개인정보 보호를 위한 데이터 공유 필요성에 기인한다.
• 원시 환자 데이터를 공유하지 않고도 기관 간 협업을 지원하는 일반화 가능한 다중 시야 연합 학습 프레임워크를 개발하는 것.
• 다양한 소스에서 온 시계열 데이터(예: 센서, 앱, 자가 보고) 간 시간적 비일치 문제를 후기 융합 기법을 통해 다루는 것.
• 다양한 모바일 헬스 데이터에서 우울증을 진단하는 데 있어 제안된 연합 프레임워크의 성능을 다른 협업 학습 접근법과 비교 평가하는 것.

제안 방법

• 기존의 전통적 기계학습 모델을 탈중앙화 방식으로 다양한 데이터 소스에서 활용할 수 있도록 확장하는 일반적인 다중 시야 연합 학습 프레임워크를 설계한다.
• 시간이 일치하지 않는 이질적인 시계열 데이터를 정렬하고 융합하기 위해 후기 융합 전략을 통합하여 모델의 강건성과 정확도를 향상시킨다.
• 각 기관의 데이터를 현지에서 학습하고, 원시 데이터 대신 모델 업데이트만을 연합 방식으로 집계함으로써 데이터 프라이버시를 보장한다.
• 클라이언트-서버 아키텍처를 사용하여 각 클라이언트(기관)가 자체 데이터로 국소 모델을 학습하고, 모델 파라미터만을 중앙 서버에 전송하여 집계한다.
• 워치형 센서 데이터, 모바일 앱 사용 데이터, 자가 보고된 기분 로그 등 이질적인 데이터 모odalities를 통합된 연합 학습 파이프라인을 통해 지원한다.
• 기존 임상 및 연구 워크플로우와의 호환성을 확보하기 위해 연합 환경 내에서 표준 기계학습 모델(예: XGBoost, SVM)을 적용한다.

실험 결과

연구 질문

• RQ1 연합 학습 프레임워크는 다수의 모바일 헬스 데이터 소스를 효과적으로 융합하여 우울증 진단을 수행하면서도 환자의 개인정보를 보호할 수 있는가?
• RQ2 다양한 소스에서 온 시간적 비일치 시계열 데이터를 다룰 때 후기 융합은 성능 향상에 어떻게 기여하는가?
• RQ3 제안된 연합 프레임워크는 중앙집중식 및 다른 협업 학습 기반 대비 우울증 진단 성능에서 어떻게 비교되는가?
• RQ4 데이터 이질성과 프라이버시 제약 조건이 존재하는 상황에서도 연합 접근법은 모델 정확도를 얼마나 잘 유지하는가?

주요 결과

• 제안된 연합 학습 프레임워크는 다수의 모바일 헬스 데이터 소스에서 우울증을 진단하는 데 있어 중앙집중식 및 다른 협업 학습 기반 대비 더 높은 진단 정확도를 달성한다.
• 후기 융합은 이질적인 다중 시야 데이터에서 발생하는 시간적 비일치로 인한 성능 저하를 효과적으로 완화하여 모델의 일반화 능력을 향상시킨다.
• 원시 건강 데이터를 기관 간 중앙집중화할 필요 없이 환자 데이터의 프라이버시를 성공적으로 보존한다.
• 표준 기계학습 모델과의 호환성과 확장성을 입증하여 기존 임상 및 연구 파이프라인에의 통합이 가능하다.
• 데이터 이질성과 비IIDs 데이터 분포 조건 하에서도 성능 향상이 관찰되어 연합 학습 접근법의 강건성을 입증한다.
• 결과는 개인정보 보호가 핵심 고려사항인 정신건강 분야에서 연합 학습을 활용할 수 있음을 검증한다.