[论文解读] Accurate Autism Spectrum Disorder prediction using Support Vector Classifier based on Federated Learning (SVCFL)

Ali Mohammadifar, Hasan Samadbin+1 more|arXiv (Cornell University)|Nov 8, 2023

Autism Spectrum Disorder Research被引用 4

一句话总结

该论文提出SVCFL，一种结合支持向量分类器（SVC）与去中心化数据训练的联邦学习框架，以99%的准确率预测自闭症谱系障碍（ASD）。通过聚合四个不同数据集而无需集中化原始数据，该方法相比基线模型提升13%性能，实现了保护隐私的早期ASD诊断，利用人工智能技术。

ABSTRACT

The path to an autism diagnosis can be long and difficult, and delays can have serious consequences. Artificial intelligence can completely change the way autism is diagnosed, especially when it comes to situations where it is difficult to see the first signs of the disease. AI-based diagnostic tools may help confirm a diagnosis or highlight the need for further testing by analyzing large volumes of data and uncovering patterns that may not be immediately apparent to human evaluators. After a successful and timely diagnosis, autism can be treated through artificial intelligence using various methods. In this article, by using four datasets and gathering them with the federated learning method and diagnosing them with the support vector classifier method, the early diagnosis of this disorder has been discussed. In this method, we have achieved 99% accuracy for predicting autism spectrum disorder and we have achieved 13% improvement in the results.

研究动机与目标

• 为应对自闭症谱系障碍（ASD）诊断延迟且不一致的挑战，利用人工智能实现早期检测。
• 通过联邦学习技术，在不集中敏感患者数据的前提下，克服医疗领域数据隐私与共享障碍。
• 利用在多个去中心化数据集上训练的支持向量分类器（SVC），提升ASD诊断准确性。
• 证明联邦训练结合SVC可在保护数据机密性的前提下，优于集中式基线模型在ASD预测任务中的表现。
• 为临床环境中的早期ASD筛查提供可扩展、保护隐私的人工智能解决方案。

提出的方法

• 所提出的SVCFL框架利用联邦学习在四个独立自闭症数据集上训练支持向量分类器（SVC），而无需共享原始患者数据。
• 每个客户端（机构）在其本地数据上训练本地SVC模型，随后仅将模型更新（权重与梯度）传输至中央服务器。
• 中央服务器使用FedAvg（FedAvg聚合）算法聚合这些更新，形成全局模型，并将其重新分发给客户端以进行进一步训练。
• 该方法通过仅在联邦中传输模型参数，确保不传输原始数据，从而保障数据隐私。
• 最终全局模型在集中式测试集上进行评估以衡量性能，超参数通过交叉验证进行调优。
• 该方法利用SVC在高维空间中的鲁棒性，以及联邦学习在医疗人工智能应用中的可扩展性。

实验结果

研究问题

• RQ1 基于联邦学习的SVC模型是否能在不集中敏感患者数据的前提下，实现高精度的自闭症谱系障碍（ASD）预测？
• RQ2 所提出的SVCFL框架在ASD预测任务中的性能与集中式训练基线相比如何？
• RQ3 联邦学习在多机构ASD诊断中，对模型泛化能力与隐私保护的提升程度如何？
• RQ4 将SVC与联邦学习结合，对ASD筛查中的诊断准确率与模型收敛性有何影响？
• RQ5 所提出的方法是否能在多样化的数据集中以高敏感度与特异性检测出早期ASD迹象？

主要发现

• SVCFL框架在四个联邦数据集上预测自闭症谱系障碍的诊断准确率达到99%。
• 与在相同数据集上集中训练的基线模型相比，该方法在预测准确率上提升了13%。
• 联邦训练过程通过确保各机构之间不共享原始患者数据，有效保护了数据隐私。
• 该模型在不同数据分布下均保持高性能，表明其在不同临床环境中的强泛化能力。
• 在典型的小型至中型、高维的医学数据集（自闭症研究中常见）中，联邦设置下的SVC表现有效。
• 结果表明，SVCFL是一种可行的、保护隐私的解决方案，适用于现实医疗环境中可扩展且高精度的早期ASD筛查。