利用PEAL这一无损的一次性联邦学习方案，解锁多机构在疾病进展研究方面的深度见解

《npj Digital Medicine》：Unlocking multi-institutional insights into disease progression with PEAL as a lossless, one-shot federated learning solution

　　

摘要

对电子健康记录数据进行的多站点分析为研究现实环境中的疾病进展提供了独特的机会。然而，隐私问题、通信成本以及各站点间的差异性给纵向数据分析带来了巨大挑战。我们提出了PEAL算法（一种用于纵向数据的隐私保护型高效聚合算法），它是一种新的联邦学习算法，可用于构建包含样条基项的非线性时间趋势的多级线性混合效应模型。PEAL仅需进行一轮汇总统计数据的传输，就能得到与使用所有个体参与者数据相同的结果。模拟研究表明，在真实的多级结构下，PEAL能够准确识别出固定效应和方差分量。我们将该算法应用于约翰斯·霍普金斯大学和匹兹堡大学硬皮病中心收集的系统性硬化症患者的真实纵向数据集，结果表明该算法能够有效捕捉疾病的发展轨迹。总体而言，PEAL通过实现无损、高效且具备隐私保护功能的建模，为研究罕见疾病及随时间变化的临床结果的分布式研究网络提供了实用的解决方案。