[论文解读] 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 4

一句话总结

本文提出了一种多视角联邦学习框架，用于利用多样化的移动健康数据源进行抑郁症检测，同时保护患者隐私。通过采用晚期融合技术对齐异构的时间序列数据，并在不集中原始数据的情况下实现跨机构的协作模型训练，该方法在诊断性能上优于基线协作学习方法，证明了在心理健康应用中实现隐私保护人工智能的可行性。

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.

研究动机与目标

• 解决由于症状不一致导致的抑郁症诊断挑战，以及在心理健康研究中实现隐私保护的数据共享需求。
• 开发一种可泛化的多视角联邦学习框架，支持跨机构协作，而无需共享原始患者数据。
• 通过晚期融合技术处理多源移动健康数据（如传感器、应用程序、自我报告）的时间错位问题。
• 评估所提出的联邦框架在从移动健康数据中检测抑郁症方面，相较于其他协作学习方法的性能表现。

提出的方法

• 设计一种通用的多视角联邦学习框架，将任何传统机器学习模型扩展为在去中心化环境中跨多个数据源运行。
• 集成晚期融合策略，对时间序列不一致的多视角数据进行对齐与融合，提升模型的鲁棒性和准确性。
• 通过在每个机构本地训练模型，并以联邦方式仅聚合模型更新（而非原始数据），确保数据隐私。
• 采用客户端-服务器架构，其中每个客户端（机构）在其自身数据上训练本地模型，并仅将模型参数发送至中央服务器进行聚合。
• 通过统一的联邦学习管道，支持可穿戴传感器数据、移动应用使用数据和自我报告情绪日志等异构数据模态。
• 在联邦设置中应用标准机器学习模型（例如XGBoost、SVM），以确保与现有临床和研究工作流程的兼容性。

实验结果

研究问题

• RQ1 联邦学习框架能否在保护患者隐私的同时，有效整合多源移动健康数据用于抑郁症检测？
• RQ2 在处理来自不同来源的错位时间序列数据时，晚期融合如何提升性能？
• RQ3 所提出的联邦框架在抑郁症检测中的性能与集中式方法及其他协作学习基线相比如何？
• RQ4 在数据异质性和隐私约束下，联邦方法在多大程度上保持了模型的准确性？

主要发现

• 所提出的联邦学习框架在从多源移动健康数据中检测抑郁症时，诊断准确率高于集中式方法及其他协作学习基线。
• 晚期融合有效缓解了多视角数据中时间错位导致的性能下降，提升了模型的泛化能力。
• 该框架通过消除跨机构集中原始健康数据的需求，成功保护了患者数据隐私。
• 该方法展示了良好的可扩展性，并与标准机器学习模型兼容，可无缝集成到现有的临床和研究工作流程中。
• 即使在数据异质性和非独立同分布（non-IID）数据分布下，性能仍有所提升，凸显了联邦方法的鲁棒性。
• 结果验证了在数据隐私为关键关切的心理健康应用中使用联邦学习的可行性。