基于网络修复的FedNI联邦图学习在人群疾病预测中的应用_FedNI Federated Graph Learning with

基于网络修复的FedNI联邦图学习在人群疾病预测中的应用_FedNI Federated Graph Learning with Network Inpainting for Population-Based Disease Prediction.pdf 【基于网络修复的FedNI联邦图学习在人群疾病预测中的应用】 随着计算机科学与医疗健康领域的深度融合，图卷积神经网络（GCNs）已经成为一种重要的工具，被广泛应用于图数据分析，尤其是在医疗应用中，GCNs可以用于人群疾病的预测。在这个模型中，图的节点代表个体，边则表示个体之间的相似性。然而，GCNs的运行需要大量的数据，而单一医疗机构往往难以收集到足够的数据。此外，许多医疗机构面临的另一个关键挑战是如何在数据不完整的情况下独立进行疾病预测。 为了解决这些问题，联邦学习（Federated Learning, FL）应运而生，它允许孤立的本地机构协作训练全局模型，无需共享数据。FedNI（Federated Graph Learning with Network Inpainting）框架正是在此背景下提出，它结合了网络修复技术和跨机构数据，利用FL来提升疾病预测的准确性。 FedNI首先通过一个图生成对抗网络（GAN）来联邦训练缺失节点和边的预测器，以完成本地网络的缺失信息。接着，它在跨机构的联邦图学习平台上训练全局GCN节点分类器。这种创新设计使得我们能够利用联邦学习和图学习的方法构建更准确的机器学习模型。 在两个公开的神经影像数据集上，FedNI的联邦模型表现出了显著优于局部模型和基线FL方法的效果。对于如自闭症谱系障碍（ASD）和阿尔茨海默病（AD）等神经系统疾病，早期的检测至关重要，因为它们可以带来及时的干预和有效的治疗。FedNI框架的引入，为这类疾病的预测提供了新的可能，有望改善医疗诊断的效率和准确性。 FedNI的工作流程可以分为两个主要步骤：利用联邦学习进行网络修复，通过GAN来预测并补充缺失的节点和边，从而构建完整的个体网络；基于修复后的网络，全局GCN节点分类器可以学习到更全面的特征，实现跨机构的协同学习，提高疾病预测的性能。 这项研究的贡献在于： 1. 提出了一种新的联邦学习框架FedNI，结合网络修复技术，解决了医疗领域数据稀缺和不完整的问题。 2. 展示了如何在保护数据隐私的同时，通过联邦图学习提高疾病预测模型的性能。 3. 在实际数据集上的实验结果证明了FedNI的有效性和优越性，为未来在医疗领域的广泛应用奠定了基础。 关键词：联邦学习、图卷积网络、人群网络、疾病预测