FedDBM: Federated Digital Biomarker for Detecting Parkinson’s Disease Progress
Notice bibliographique
Résumé
Exploring a Digital Bio-Marker (DBM) is challenging for detecting the progress of Parkinson’s Disease (PD) since the unclear disease mechanism. Traditional clinical trials first formulate a DBM hypothesis and then proceed to verify them by control study, the process of which is often limited to clinicians’ expertise and experience. Machine Learning with big data provides an opportunity to automatically discover DBMs, while recent privacy policies, such as GDPR, have created extra obstacles for collecting patient information and conducting multicenter trials. To address this issue, we propose a novel DBM discovery paradigm with federated learning, called FedDBM, which forms a closed loop consisting of model training and post hoc explanation. FedDBM employs a federated split learning to preserve patients’ privacy in a multicenter clinical trial which attempts to build a model that maps signal data to PD progress. Then, a Federated Shapley Additive exPlanations method (Fed-SHAP) is proposed to find those features of vital importance in the well-trained model, known as DBM. The proposed FedDBM was evaluated on four PD typical motor symptoms and the extensive experimental results demonstrated that FedDBM showed comparable performance with SOTA federated learning methods, and the explored DBMs were proved to be more sensitive than current clinical metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».