लेखक : आईटीई डैया होल्डर आर. रॉथ Aoxiao Zhong Ahmed Harouni Amilcare Gentili Anas Z. Abidin Andrew Liu Anthony Beardsworth Costa Bradford J. Wood Chien-Sung Tsai Chih-Hung Wang Chun-Nan Hsu C. K. Lee Peiying Ruan Daguang Xu Dufan Wu Eddie Huang Felipe Campos Kitamura Griffin Lacey Gustavo César de Antônio Corradi Gustavo Nino Hao-Hsin Shin Hirofumi Obinata Hui Ren Jason C. Crane Jesse Tetreault Jiahui Guan John W. Garrett Joshua D. Kaggie Jung Gil Park Keith Dreyer Krishna Juluru Kristopher Kersten Marcio Aloisio Bezerra Cavalcanti Rockenbach Marius George Linguraru Masoom A. Haider Meena AbdelMaseeh Nicola Rieke Pablo F. Damasceno Pedro Mario Cruz e Silva Pochuan Wang Sheng Xu Shuichi Kawano Sira Sriswasdi Soo Young Park Thomas M. Grist Varun Buch Watsamon Jantarabenjakul Weichung Wang Won Young Tak Xiang Li Xihong Lin Young Joon Kwon Abood Quraini Andrew Feng Andrew N. Priest Baris Turkbey Benjamin Glicksberg Bernardo Bizzo Byung Seok Kim Carlos Tor-Díez Chia-Cheng Lee Chia-Jung Hsu Chin Lin Chiu-Ling Lai Christopher P. Hess Colin Compas Deepeksha Bhatia Eric K. Oermann Evan Leibovitz Hisashi Sasaki Hitoshi Mori Isaac Yang Jae Ho Sohn Krishna Nand Keshava Murthy Li-Chen Fu Matheus Ribeiro Furtado de Mendonça Mike Fralick Min Kyu Kang Mohammad Adil Natalie Gangai Peerapon Vateekul Pierre Elnajjar Sarah Hickman Sharmila Majumdar Shelley L. McLeod Sheridan Reed Stefan Gräf Stephanie Harmon Tatsuya Kodama Thanyawee Puthanakit Tony Mazzulli Vitor Lima de Lavor Yothin Rakvongthai Yu Rim Lee Yuhong Wen Fiona J. Gilbert Mona G. Flores Quanzheng Li लेखक : आईटीई डैया होल्डर आर. रॉथ Aoxiao जोंग Ahmed Harouni के बारे में दयालुता ANAS Z. एबिडिन एंड्रयू लू एंथनी Beardsworth कोस्टा ब्रैडफोर्ड जे Wood चूंकि चूंकि चिह-हंग वांग चूना-नैन सी.के. ली पेंटिंग रूआन दाऊद ने डफन वू एडी हंग फिलिप कैम्पोस किटामूरा ग्रिफिन लेसी गूस्टावो सीज़र डी एंटोनियो कोराडी गूगल नैनो हनुमान जी Hirofumi Obinata के बारे में हाय रेन जेसन सी क्रेन जेसिस Tetreault जियाहू गुआन जॉन W. गार्नेट Joshua D. Kaggie के बारे में जंग गिल पार्क केथ ड्रेयर क्रिस्टीना जुलूरा क्रिस्टोफर क्रिस्टोफर Marcio Aloisio Bezerra Cavalcanti रॉकेंबैक मैरीस जॉर्ज लिंगूरू मेजर ए. हाइडर अब्दुल्ला अब्दुल्ला निकोल रिक पाब्लो एफ. दमास्सेनो पेड्रो मारियो क्रूज़ और सिल्वा पाक वांग शेंग Xu Shuichi Kawano के बारे में श्रीकृष्ण सिंह युवा पार्क थॉमस एम ग्रिस्ट एक किताब नाश्ते के फायदे वॉंग Young Tak के बारे में सींग ली Xihong लिंग युवा जोन क्वॉन इमरान खान एंड्रयू फेंग एंड्रयू एन. प्रीस्ट बैरिस तुर्की बेंजामिन ग्लिक्सबर्ग बर्नार्डो बिज़ो किम की तलाश Carlos Tor-Díez के बारे में चिया चेंग ली चिया-जंग हुसू चीनी लिंग चू-लिंग लाय क्रिस्टोफर पी हेस कॉलिन कॉम्पस Deepeksha Bhatia के बारे में एरिक K. ओरमन Evan Leibovitz के बारे में हिसाशी सासाकी हिटोशी मरी इस्लाम जी हा बेटा क्रिश्ना नांड केशावा मर्थी चैंपियन फू मैथ्यू रिबिरो फर्टो डे मेन्डोंसा माइक फ्रैलिक मिन किू कंग मोहम्मद ईमानदार नाथिया गैंगाई पीरियड्स वायरल पीरियर एलनजायर सारा हिकमैन शार्मिला मेजबान शेली एल मैकलेड शेडियन रीड स्टीफन ग्रेफ स्टेफनी हार्मोन Tatsuya कोडामा बूढ़ा बूढ़ा टोनी मज़ूलि 5 काम करने के लिए हनुमान जी यू रीम ली यूहन्ग वेन Fiona J. गिल्बर्ट मोना जी फ्लोर्स लिहाजा अवलोकन फेडरेट सीटिंग (एफएल) डेटा डेटा को कई स्रोतों से डेटा के साथ कृत्रिम बुद्धि मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाता है, जबकि डेटा अनन्यता को बनाए रखते हुए, डेटा साझा करने के लिए कई बाधाओं को हटाते हुए. यहां हमने दुनिया भर के 20 संस्थानों से डेटा का उपयोग एक एफएल मॉडल को प्रशिक्षित करने के लिए किया, जिसे एक्सएएम (इलेक्ट्रॉनिक मेडिकल रिकॉर्ड (ईएमआर) छाती एक्स-रे एआई मॉडल) कहा जाता है, जो सीओवीआईडी-19 के साथ लक्षण रोगियों के भविष्य के ऑक्सीजन की जरूरतों की भविष्य की भविष्यवाणी करता है, महत्वपूर्ण संकेतों के इनपुट, प्रयोगशाला डेटा और छाती एक्स-रे का उपयोग करते हुए। एक्सएएम ने मुख्य वैज्ञानिक, अकादमिक, चिकित्सा और डेटा विज्ञान समुदायों ने सीओवीडी -19 महामारी संकट का सामना करने के लिए एकजुट हो गए हैं ताकि कृत्रिम बुद्धि (एआई) में नए पैराग्राफों का तेजी से मूल्यांकन किया जा सके जो तेजी से और सुरक्षित हैं, और संभावित रूप से पारंपरिक सहयोगों के सामान्य गोपनीयता और डेटा स्वामित्व बाधाओं के बिना डेटा साझा करने और मॉडल प्रशिक्षण और परीक्षण को प्रोत्साहित करें। , स्वास्थ्य देखभाल प्रदाताओं, शोधकर्ताओं और उद्योग ने संकट द्वारा पैदा किए गए अपर्याप्त और महत्वपूर्ण नैदानिक जरूरतों को संबोधित करने के लिए अपना ध्यान केंद्रित किया है, उल्लेखनीय परिणामों के साथ , , , , , , नैदानिक परीक्षणों की भर्ती को राष्ट्रीय नियामक एजेंसियों और एक अंतरराष्ट्रीय सहयोगी आत्मा द्वारा तेजी से और सुविधा दी गई है , , डेटा विश्लेषण और एआई विषयों ने हमेशा खुले और सहयोगी दृष्टिकोणों को बढ़ावा दिया है, जैसे कि खुले स्रोत सॉफ्टवेयर, पुनरावृत्ति योग्य अनुसंधान, डेटा रजिस्ट्रेशन और सार्वजनिक रूप से उपलब्ध anonymized डेटा सेट। , . महामारी ने त्वरित रूप से डेटा सहयोगों का संचालन करने की आवश्यकता पर जोर दिया है जो तेजी से विकसित और व्यापक वैश्विक चुनौतियों के जवाब में नैदानिक और वैश्विक समुदायों को सशक्त बनाता है. डेटा साझा करने में नैतिक, नियामक और कानूनी जटिलताएं हैं जो स्वास्थ्य देखभाल डेटा की दुनिया में बड़े प्रौद्योगिकी कंपनियों के हाल के प्रवेश द्वारा उजागर की जाती हैं, और शायद थोड़ा जटिल होती हैं , , . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 इन प्रकार के सहयोग का एक व्यावहारिक उदाहरण एआई-आधारित एसएआरएस-सीओवी-2 नैदानिक निर्णय सहायता (सीडीएस) मॉडल पर हमारे पिछले काम है। यह सीडीएस मॉडल मास जनरल ब्रिगम (एमजीबी) में विकसित किया गया था और कई स्वास्थ्य प्रणाली के डेटा पर सत्यापित किया गया था. सीडीएस मॉडल के लिए इनपुट छाती एक्स-रे (सीएक्सआर) छवियों, महत्वपूर्ण संकेत, जनसांख्यिकीय डेटा और प्रयोगशाला मूल्यों थे जो पिछले प्रकाशनों में COVID-19 वाले रोगियों के परिणामों की भविष्यवाणी करने के लिए दिखाए गए थे , , , CXR को इमेजिंग इनपुट के रूप में चुना गया था क्योंकि यह व्यापक रूप से उपलब्ध है और आमतौर पर ACR द्वारा प्रदान किए गए निर्देशों द्वारा संकेत दिया जाता है Fleischner समाज WHO के राष्ट्रीय टॉरिक समाज , राष्ट्रीय स्वास्थ्य मंत्रालय COVID मैनुअल और दुनिया भर में रेडियोलॉजी समाज CDS मॉडल का आउटपुट एक स्कोर था, जिसे CORISK कहा जाता था , जो ऑक्सीजन समर्थन की आवश्यकताओं के अनुरूप है और जो फ्रंटलाइन क्लिनिक द्वारा रोगियों के परीक्षण में मदद कर सकता है , , स्वास्थ्य देखभाल प्रदाताओं को उन मॉडल को पसंद करने के लिए जाना जाता है जो उनके स्वयं के डेटा पर सत्यापित किए गए थे आज तक, अधिकांश एआई मॉडल, जिसमें उपरोक्त सीडीएस मॉडल भी शामिल है, को प्रशिक्षित और संकीर्ण डेटा पर सत्यापित किया गया है जिसे अक्सर विविधता की कमी होती है , , संभावित रूप से overfitting और कम generalalizability के परिणामस्वरूप. यह डेटा को केंद्रित किए बिना कई साइटों से विविध डेटा के साथ प्रशिक्षण द्वारा कम किया जा सकता है स्थानांतरण सीखने जैसे तरीकों का उपयोग करना , या FL. FL विभिन्न डेटा स्रोतों पर एआई मॉडल को प्रशिक्षित करने के लिए उपयोग की जाने वाली एक विधि है, डेटा को अपने मूल स्थान से बाहर परिवहन या प्रकट किए बिना। . 18 19 20 21 22 23 24 25 26 27 28 29 30 27 31 32 33 34 35 36 संघीय सीखना डेटा की बेहतर ट्रैकिंग और एल्गोरिथ्मिक परिवर्तनों और प्रभावों का मूल्यांकन के साथ केंद्रीय रूप से संगठित प्रयोगों के तेजी से लॉन्च का समर्थन करता है एफएल के लिए एक दृष्टिकोण, जिसे क्लाइंट-सेवर कहा जाता है, अन्य सर्वरों ("नोड्स") को एक "अनुकूलित" मॉडल भेजता है जो आंशिक प्रशिक्षण कार्यों को संचालित करते हैं, बदले में परिणाम वापस भेजते हैं ताकि उन्हें केंद्रीय (अनुकूलित) सर्वर में एकीकृत किया जा सके। . 37 36 एफएल के लिए डेटा का प्रबंधन स्थानीय रूप से बनाए रखा जाता है, गोपनीयता चिंताओं को कम करता है, केवल मॉडल वजन या ग्रेडिंट ग्राहक साइटों और संघीय सर्वर के बीच संचार किया जाता है , . FL has already shown promise in recent medical imaging applications , , , COVID-19 का विश्लेषण , , एक उल्लेखनीय उदाहरण SARS-COV-2 के साथ संक्रमित रोगियों में मृत्यु की भविष्यवाणी मॉडल है जो नैदानिक विशेषताओं का उपयोग करता है, हालांकि मॉड्यूलों की संख्या और पैमाने पर सीमित है . 38 39 40 41 42 43 8 44 45 46 हमने यह सिद्धांत किया कि सीडीएस मॉडल को सफलतापूर्वक गठबंधन किया जा सकता है, क्योंकि इसका उपयोग डेटा इनपुट का उपयोग किया जाता है जो नैदानिक अभ्यास में अपेक्षाकृत आम है और जो रोगी की स्थिति के ऑपरेटर-आधारित मूल्यांकन (जैसे नैदानिक प्रभाव या रिपोर्ट किए गए लक्षण) पर बहुत भरोसा नहीं करता है। इसके बजाय, प्रयोगशाला परिणाम, जीवन संकेत, एक छवि अध्ययन और एक आम तौर पर कैप्चर जनसांख्यिकीय (यानी, उम्र) का उपयोग किया गया था। इसलिए, हमने क्लाइंट-सेवर FL दृष्टिकोण का उपयोग करके विभिन्न डेटा के साथ सीडीएस मॉडल को फिर से प्रशिक्षित किया, जिसका नाम EXAM था, एक नया वैश्विक FL मॉडल विकसित करने के लिए, जो सीएक्सएक्स हमारा अनुमान था कि एक्सएएम स्थानीय मॉडल की तुलना में बेहतर प्रदर्शन करेगा और स्वास्थ्य देखभाल प्रणालियों में बेहतर सामान्य करेगा। परिणामों परीक्षा मॉडल आर्किटेक्चर EXAM मॉडल ऊपर वर्णित CDS मॉडल पर आधारित है कुल मिलाकर, मॉडल के लिए इनपुट के रूप में 20 विशेषताएं (19 ईएमआर से और एक सीएक्सआर) का उपयोग किया गया था. परिणाम (यानी, ‘आधारित सच्चाई’) लेबल को 24 और 72 घंटे की अवधि के बाद रोगी ऑक्सीजन थेरेपी के आधार पर निर्धारित किया गया था। . 27 1 रोगियों के परिणाम लेबल 0, 0.25, 0.50 और 0.75 के रूप में सेट किए गए थे, निर्भर करता है कि रोगी को भविष्यवाणी विंडो में सबसे अधिक तीव्र ऑक्सीजन चिकित्सा प्राप्त हुई थी. ऑक्सीजन चिकित्सा श्रेणियों में, अनुरूप रूप से, कमरा हवा (एआरए), कम प्रवाह ऑक्सीजन (एलएफओ), उच्च प्रवाह ऑक्सीजन (एचएफओ) / गैर-आक्रामक वेंटिलेशन (एनआईवी) या यांत्रिक वेंटिलेशन (एमवी) थे. यदि रोगी भविष्यवाणी विंडो के भीतर मर गया, तो परिणाम लेबल 1 सेट किया गया था। ईएमआर सुविधाओं के लिए, केवल ईडी में कैप्चर किए गए पहले मूल्यों का उपयोग किया गया था और डेटा प्रीप्रोसेसिंग में deidentification, missing value imputation, and normalization to zero-mean and unit variance शामिल थे। इस प्रकार, मॉडल EMR और CXR दोनों विशेषताओं से जानकारी को एकीकृत करता है, एक 34-स्तरीय घर्षण तंत्रिका नेटवर्क (ResNet34) का उपयोग करके एक CXR और एक डीप एंड क्रॉस नेटवर्क से विशेषताओं को एकीकृत करने के लिए EMR विशेषताओं के साथ (अधिक विस्तारित विवरण के लिए, देखें ) मॉडल आउटपुट एक जोखिम स्कोर है, जिसे एक्सएएम स्कोर कहा जाता है, जो ऊपर वर्णित लेबलों के अनुरूप 24 और 72 घंटे के पूर्वानुमानों के प्रत्येक के लिए 0-1 सीमा में एक निरंतर मूल्य है। विधि मॉडल को Federate करें एक्सएक्सएएम मॉडल को 16,148 मामलों की एक समूह का उपयोग करके प्रशिक्षित किया गया था, जो इसे न केवल COVID-19 के लिए पहले एफएल मॉडल में से एक बनाता है, बल्कि नैदानिक रूप से प्रासंगिक एआई में एक बहुत बड़ा और बहुआयामी विकास परियोजना भी बनाता है। साइटों के बीच डेटा खींचने से पहले सामंजस्यित नहीं किया गया था और, वास्तविक जीवन के नैदानिक सूचना विज्ञान की परिस्थितियों को देखते हुए, डेटा इनपुट का एक सावधानीपूर्वक सामंजस्य निर्धारित नहीं किया गया था (चित्र। ) 1 ए, बी 1 सी, डी , दुनिया का नक्शा जो एक्सएएम अध्ययन में योगदान देने वाले 20 अलग-अलग ग्राहक साइटों को इंगित करता है। , प्रत्येक संस्था या साइट द्वारा योगदान किए गए मामलों की संख्या (क्लाइंट 1 सबसे अधिक मामलों का योगदान करने वाले साइट का प्रतिनिधित्व करता है)। , प्रत्येक ग्राहक साइट पर छाती एक्स-रे तीव्रता वितरण। , प्रत्येक क्लाइंट साइट पर रोगियों की उम्र, न्यूनतम और अधिकतम आयु (एस्टेरिक), औसत आयु (तीलक) और मानक विचलन (वॉरिज़ोनल बार) को दिखाते हुए। . a b c d 1 प्रत्येक ग्राहक के परीक्षण डेटा पर स्थानीय रूप से प्रशिक्षित मॉडल को वैश्विक FL मॉडल के साथ तुलना की। « 1 × 10-3, विल्कोक्सन हस्ताक्षर-रैंक परीक्षण) 16% (जैसा कि मॉडल को संबंधित स्थानीय परीक्षण सेट पर चलाते समय औसत AUC द्वारा परिभाषित किया जाता है: 0.795 से 0.920, या 12.5 प्रतिशत अंक) (चित्र। ) इसका परिणाम 38% सामान्यता में सुधार हुआ (जैसा कि सभी परीक्षण सेट पर मॉडल को चलाते समय औसत एयूसी द्वारा परिभाषित किया गया था: 0.667 से 0.920, या 25.3 प्रतिशत अंक) 24 घंटे ऑक्सीजन उपचार की भविष्यवाणी के लिए सर्वश्रेष्ठ वैश्विक मॉडल की तुलना में केवल साइट के स्वयं के डेटा पर प्रशिक्षित मॉडल (चित्र। 72 घंटे के ऑक्सीजन उपचार के पूर्वानुमान परिणामों के लिए, सर्वश्रेष्ठ वैश्विक मॉडल प्रशिक्षण ने स्थानीय रूप से प्रशिक्षित मॉडल की तुलना में औसत प्रदर्शन में 18% में सुधार किया, जबकि वैश्विक मॉडल की सामान्यीकरण क्षमता में औसतन 34% में सुधार हुआ (अधिकृत डेटा चित्र। ) हमारे परिणामों की स्थिरता को विभिन्न यादृच्छिक डेटा विभाजन पर स्थानीय और एफएल प्रशिक्षण के तीन चरणों को दोहराकर सत्यापित किया गया था। P 2a 2 बी 1 , प्रत्येक ग्राहक के परीक्षण पर प्रदर्शन 24 घंटे ऑक्सीजन उपचार की भविष्यवाणी में निर्धारित किया गया है, जो केवल स्थानीय डेटा (स्थानीय) पर प्रशिक्षित मॉडल के लिए सर्वर पर उपलब्ध सर्वश्रेष्ठ वैश्विक मॉडल (एफएल) के मुकाबले है। , Generalizability (दूसरे साइटों के परीक्षण डेटा पर औसत प्रदर्शन, जैसा कि औसत AUC द्वारा प्रतिनिधित्व किया जाता है) एक ग्राहक के डेटासेट आकार (कोई मामलों) के फंक्शन के रूप में। ) और ग्राहक 14 में केवल आरए उपचार के साथ मामलों थे, इसलिए मूल्यांकन मीट्रिक (AUC के अनुसार) इन मामलों में से कोई भी लागू नहीं था ( ) क्लाइंट 14 के लिए डेटा को स्थानीय मॉडल में औसत सामान्यता की गणना से भी बाहर कर दिया गया था। a b 1 विधि स्थानीय मॉडल जिन्हें असंतुलित कोहर्ट्स (उदाहरण के लिए, ज्यादातर हल्के मामलों में COVID-19) का उपयोग करके प्रशिक्षित किया गया था, ने एफएल दृष्टिकोण से उल्लेखनीय रूप से लाभ उठाया, केवल कुछ मामलों वाले श्रेणियों के लिए पूर्वानुमान औसत AUC प्रदर्शन में एक महत्वपूर्ण सुधार के साथ। यह क्लाइंट साइट 16 (एक असंतुलित डेटासेट) पर स्पष्ट था, अधिकांश रोगियों को हल्के बीमारी की गंभीरता का अनुभव होता है और केवल कुछ गंभीर मामलों में। और विस्तारित डेटा Fig। ) और अधिक महत्वपूर्ण, स्थानीय रूप से प्रशिक्षित मॉडल की तुलना में एफएल मॉडल की सामान्यता में काफी वृद्धि हुई। 3a 2 , क्लाइंट साइट पर ROC 16, असंतुलित डेटा और ज्यादातर हल्के मामलों के साथ। , ROC of the local model at client site 12 (a small dataset), mean ROC of models trained on larger datasets corresponding to the five client sites in the Boston area (1, 4, 5, 6, 8) and ROC of the best global model in prediction of 72-h oxygen treatment for different thresholds of EXAM score (left, middle, right). The mean ROC is calculated based on five locally trained models while the gray area denotes the ROC standard deviation. ROCs for three different cutoff values ( ) of the EXAM risk score are shown. Pos and neg denote the number of positive and negative cases, respectively, as defined by this range of EXAM score. a b t अपेक्षाकृत छोटे डेटा सेट के साथ क्लाइंट साइटों के मामले में, सर्वश्रेष्ठ एफएल मॉडल न केवल स्थानीय मॉडल को बेहतर प्रदर्शन किया, बल्कि संयुक्त राज्य अमेरिका के बोस्टन क्षेत्र में पांच क्लाइंट साइटों से बड़े डेटा सेट पर प्रशिक्षित लोगों को भी बेहतर प्रदर्शन किया। ). 3 बी The global model performed well in predicting oxygen needs at 24/72 h in patients both COVID positive and negative (Extended Data Fig. ). 3 Validation at independent sites Following initial training, EXAM was subsequently tested at three independent validation sites: Cooley Dickinson Hospital (CDH), Martha’s Vineyard Hospital (MVH) and Nantucket Cottage Hospital (NCH), all in Massachusetts, USA. The model was not retrained at these sites and it was used only for validation purposes. The cohort size and model inference results are summarized in Table , और सबसे बड़े डेटासेट (सीडीएच से) के लिए ROC Curves और confusion matrices Fig. में दिखाई देते हैं। . The operating point was set to discriminate between nonmechanical ventilation and mechanical ventilation (MV) treatment (or death). The FL global trained model, EXAM, achieved an average AUC of 0.944 and 0.924 for 24- and 72-h prediction tasks, respectively (Table 24 घंटे में एमवी उपचार (या मृत्यु) की भविष्यवाणी के लिए, एक्सएएम ने सीडीएच पर 0.950 की संवेदनशीलता और 0.882 की विशिष्टता प्राप्त की, और एमवीएच पर 1.000 की विशिष्टता और 0.976 की विशिष्टता। 2 4 2 , , Performance (ROC) (top) and confusion matrices (bottom) of the EXAM FL model on the CDH dataset for prediction of oxygen requirement at 24 h ( ) और 72 घंटे ( ). ROCs for three different cutoff values ( ) of the EXAM risk score are shown. a b a b t सीडीएच में एमवी के लिए 72 घंटे पर, एक्सएएम में 7.1 प्रतिशत की कम झूठी नकारात्मक दर थी। , showing two false-negative cases from CDH where one case had many missing EMR data features and the other had a CXR with a motion artifact and some missing EMR features. 4 Use of differential privacy हेल्थकेयर संस्थानों के लिए FL का उपयोग करने के लिए एक प्राथमिक प्रेरणा अपने डेटा की सुरक्षा और गोपनीयता को बनाए रखना है, साथ ही साथ डेटा अनुपालन उपायों का पालन करना है। or even the reconstruction of training images from the model gradients themselves . To counter these risks, security-enhancing measures were used to mitigate risk in the event of data ‘interception’ during site-server communication हमने एफएल डेटा के अवरोध से बचने के लिए तकनीकों के साथ प्रयोग किया, और एक सुरक्षा सुविधा जो हम मानते हैं कि अधिक संस्थानों को एफएल का उपयोग करने के लिए प्रोत्साहित कर सकते हैं। एक आंशिक वजन साझा करने की योजना के माध्यम से जांच , , , we showed that models can reach a comparable performance even when only 25% of weight updates are shared (Extended Data Fig. ) 47 48 49 50 50 51 52 5 बहस इस अध्ययन में साइटों की संख्या और उपयोग किए जाने वाले डेटा बिंदुओं की संख्या के संदर्भ में एक बड़े, वास्तविक स्वास्थ्य देखभाल एफएल अध्ययन शामिल है। हम मानते हैं कि यह एफएल का उपयोग स्वास्थ्य देखभाल में आवश्यक एआई मॉडल के त्वरित और सहयोगी विकास के लिए उपयोग करने की संभावना का एक शक्तिशाली सबूत प्रदान करता है। हमारे अध्ययन में चार महाद्वीपों पर कई साइटों को शामिल किया गया था और विभिन्न नियामक एजेंसियों की निगरानी के तहत, और इस प्रकार विभिन्न विनियमित बाजारों को तेजी से उपलब्ध कराने का वादा है। वैश्विक एफएल मॉडल, एक्सएक्सएएम, अधिक मजबूत साबित हुआ है और व्यक्तिगत साइटों पर किसी भी मॉडल की तुलना में बेहतर परिणाम प्राप्त किया गया है जो केवल स्थानीय डेटा पर प्रशिक्षित किया For a client site with a relatively small dataset, two typical approaches could be used for fitting a useful model: one is to train locally with its own data, the other is to apply a model trained on a larger dataset. For sites with small datasets, it would have been virtually impossible to build a performant deep learning model using only their local data. The finding, that these two approaches were outperformed on all three prediction tasks by the global FL model, indicates that the benefit for client sites with small datasets arising from participation in FL collaborations is substantial. This is probaby a reflection of FL’s ability to capture more diversity than local training, and to mitigate the bias present in models trained on a homogenous population. An under-represented population or age group in one hospital/region might be highly represented in another region—such as children who might be differentially affected by COVID-19, including disease manifestations in lung imaging . 46 सत्यापन के परिणामों ने पुष्टि की कि वैश्विक मॉडल मजबूत है, जो हमारे अनुमान का समर्थन करता है कि एफएल प्रशिक्षित मॉडल स्वास्थ्य देखभाल प्रणालियों में सामान्य हो सकते हैं. वे COVID-19 रोगी देखभाल में पूर्वानुमान एल्गोरिथ्म के उपयोग के लिए एक आश्चर्यजनक मामले प्रदान करते हैं, और मॉडल निर्माण और परीक्षण में FL का उपयोग करते हुए। इस अध्ययन में भाग लेने से, ग्राहक साइटों को एक्सएएमएक्स तक पहुंच मिली, जो किसी भी नियामक अनुमोदन या भविष्य में नैदानिक देखभाल में प्रवेश करने से पहले और अधिक सत्यापित किया जाना चाहिए. एमजीबी में 'निर्माण' सेटिंग्स में संभावित रूप से एक्सएएमएक्स को सत्यापित करने के लिए योजनाएं चल रही हैं COVID-19 लक्षित सं , as well as at different sites that were not a part of the EXAM training. 53 COVID-19 रोगियों में निर्णय लेने का समर्थन करने के लिए 200 से अधिक पूर्वानुमान मॉडल प्रकाशित किए गए हैं . Unlike the majority of publications focused on diagnosis of COVID-19 or prediction of mortality, we predicted oxygen requirements that have implications for patient management. We also used cases with unknown SARS-COV-2 status, and so the model could provide input to the physician ahead of receiving a result for PCR with reverse transcription (RT–PCR), making it useful for a real-life clinical setting. The model’s imaging input is used in common practice, in contrast with models that use chest computed tomography, a nonconsensual diagnostic modality. The model’s design was constrained to objective predictors, unlike many published studies that leveraged subjective clinical impressions. The data collected reflect varied incidence rates, and thus the ‘population momentum’ we encountered is more diverse. This implies that the algorithm can be useful in populations with different incidence rates. 19 Patient cohort identification and data harmonization are not novel issues in research and data science , लेकिन FL का उपयोग करते समय, अन्य साइटों पर डेटा सेटों पर दृश्यता की कमी के कारण और अधिक जटिल होते हैं. नैदानिक सूचना प्रणालियों में सुधार आवश्यक हैं ताकि डेटा तैयारी को सरल बनाया जा सके, जिससे FL में भाग लेने वाले साइटों के नेटवर्क का बेहतर लेवरेज हो सके. यह, हाइपरपैरामीटर इंजीनियरिंग के साथ मिलकर, एल्गोरिथ्म को बड़े डेटा बैच से अधिक प्रभावी ढंग से 'पढ़ने' की अनुमति दे सकता है और मॉडल पैरामीटरों को एक विशिष्ट साइट के लिए और अधिक व्यक्तिगत बनाने के लिए अनुकूलित कर सकता है - उदाहरण के लिए, उस साइट पर और अधिक फिनिंग के माध्यम से एक प्रणाली जो आसानी से, वास्तविक समय के करीब मॉडल निष्कर्षण और परिणाम प्रसंस्करण की अनुमति देती है, यह भी फायदेमंद होगी और मॉडल तैनाती के लिए प्रशिक्षण से "लूप को बंद" करेगी। 54 39 Because data were not centralized they are not readily accessible. Given that, any future analysis of the results, beyond what was derived and collected, is limited. Similar to other machine learning models, EXAM is limited by the quality of the training data. Institutions interested in deploying this algorithm for clinical care need to understand potential biases in the training. For example, the labels used as ground truth in the training of the EXAM model were derived from 24- and 72-h oxygen consumption in the patient; it is assumed that oxygen delivered to the patient equates the oxygen need. However, in the early phase of the COVID-19 pandemic, many patients were provided high-flow oxygen prophylactically regardless of their oxygen need. Such clinical practice could skew the predictions made by this model. चूंकि हमारे डेटा तक पहुंच सीमित था, इसलिए हमारे पास अधिकांश साइटों पर विफलता के कारणों के बारे में पोस्ट-हॉक के बारे में विस्तृत आंकड़ों का उत्पादन करने के लिए पर्याप्त उपलब्ध जानकारी नहीं थी. हालांकि, हमने सबसे बड़े स्वतंत्र परीक्षण साइट, सीडीएच से विफलता के मामले का अध्ययन किया, और भविष्य में परीक्षण करने के लिए अनुमान उत्पन्न करने में सक्षम थे. उच्च प्रदर्शन साइटों के लिए, ऐसा लगता है कि अधिकांश विफलता के मामले दो श्रेणियों में से एक में गिरते हैं: (1) आयात डेटा की कम गुणवत्ता - उदाहरण के लिए, CXR में गायब डेटा या आंदोलन आर्टिफैक्ट; या (2) वितरण से बाहर डेटा - उदाहरण के लिए एक बहुत युवा रोगी। In future, we also intend to investigate the potential for a ‘population drift’ due to different phases of disease progression. We believe that, owing to the diversity across the 20 sites, this risk may have been mitigated. एक विशेषता जो इस तरह के बड़े पैमाने पर सहयोग को बढ़ावा देगी वह है कि यह वैश्विक FL मॉडल में सुधार करने के लिए प्रत्येक क्लाइंट साइट के योगदान की भविष्यवाणी करने की क्षमता। यह क्लाइंट साइट चयन में मदद करेगा, और डेटा अधिग्रहण और नोटिंग प्रयासों को प्राथमिकता देने में मदद करेगा। भविष्य के दृष्टिकोण स्वचालित हाइपरपैरामीटर खोज शामिल कर सकते हैं Neural Architecture की खोज and other automated machine learning प्रत्येक ग्राहक साइट के लिए इष्टतम प्रशिक्षण मापदंडों को अधिक कुशलता से खोजने के दृष्टिकोण। 55 56 57 Known issues of batch normalization (BN) in FL motivated us to fix our base model for image feature extraction to reduce the divergence between unbalanced client sites. Future work might explore different types of normalization techniques to allow the training of AI models in FL more effectively when client data are nonindependent and identically distributed. 58 49 FL सेटिंग के भीतर गोपनीयता हमलों पर हालिया काम ने मॉडल प्रशिक्षण के दौरान डेटा लीक के बारे में चिंता जताई है . Meanwhile, protection algorithms remain underexplored and constrained by multiple factors. While differential privacy algorithms , , अच्छी सुरक्षा दिखाते हैं, वे मॉडल के प्रदर्शन को कमजोर कर सकते हैं. एन्क्रिप्शन एल्गोरिथ्म, जैसे होमोमॉर्फिक एन्क्रिप्शन , maintain performance but may substantially increase message size and training time. A quantifiable way to measure privacy would allow better choices for deciding the minimal privacy parameters necessary while maintaining clinically acceptable performance , , . 59 36 48 49 60 36 48 49 Following further validation, we envision deployment of the EXAM model in the ED setting as a way to evaluate risk at both the per-patient and population level, and to provide clinicians with an additional reference point when making the frequently difficult task of triaging patients. We also envision using the model as a more sensitive population-level metric to help balance resources between regions, hospitals and departments. Our hope is that similar FL efforts can break the data silos and allow for faster development of much-needed AI models in the near future. Methods Ethics approval All procedures were conducted in accordance with the principles for human experimentation as defined in the Declaration of Helsinki and International Conference on Harmonization Good Clinical Practice guidelines, and were approved by the relevant institutional review boards at the following validation sites: CDH, MVH, NCH and at the following training sites: MGB, Mass General Hospital (MGH), Brigham and Women’s Hospital, Newton-Wellesley Hospital, North Shore Medical Center and Faulkner Hospital (all eight of these hospitals were covered under MGB’s ethics board reference, no. 2020P002673, and informed consent was waived by the instititional review board (IRB). Similarly, participation of the remaining sites was approved by their respective relevant institutional review processes: Children’s National Hospital in Washington, DC (no. 00014310, IRB certified exempt); NIHR Cambridge Biomedical Research Centre (no. 20/SW/0140, informed consent waived); The Self-Defense Forces Central Hospital in Tokyo (no. 02-014, informed consent waived); National Taiwan University MeDA Lab and MAHC and Taiwan National Health Insurance Administration (no. 202108026 W, informed consent waived); Tri-Service General Hospital in Taiwan (no. B202105136, informed consent waived); Kyungpook National University Hospital in South Korea (no. KNUH 2020-05-022, informed consent waived); Faculty of Medicine, Chulalongkorn University in Thailand (nos. 490/63, 291/63, informed consent waived); Diagnosticos da America SA in Brazil (no. 26118819.3.0000.5505, informed consent waived); University of California, San Francisco (no. 20-30447, informed consent waived); VA San Diego (no. H200086, IRB certified exempt); University of Toronto (no. 20-0162-C, informed consent waived); National Institutes of Health in Bethesda, Maryland (no. 12-CC-0075, informed consent waived); University of Wisconsin-Madison School of Medicine and Public Health (no. 2016-0418, informed consent waived); Memorial Sloan Kettering Cancer Center in New York (no. 20-194, informed consent waived); and Mount Sinai Health System in New York (no. IRB-20-03271, informed consent waived). MI-CLAIM guidelines for reporting of clinical AI models were followed (Supplementary Note ) 2 Study setting अध्ययन में 20 संस्थानों से डेटा शामिल किया गया था (चित्र। ): MGB, MGH, Brigham and Women’s Hospital, Newton-Wellesley Hospital, North Shore Medical Center and Faulkner Hospital; Children’s National Hospital in Washington, DC; NIHR Cambridge Biomedical Research Centre; The Self-Defense Forces Central Hospital in Tokyo; National Taiwan University MeDA Lab and MAHC and Taiwan National Health Insurance Administration; Tri-Service General Hospital in Taiwan; Kyungpook National University Hospital in South Korea; Faculty of Medicine, Chulalongkorn University in Thailand; Diagnosticos da America SA in Brazil; University of California, San Francisco; VA San Diego; University of Toronto; National Institutes of Health in Bethesda, Maryland; University of Wisconsin-Madison School of Medicine and Public Health; Memorial Sloan Kettering Cancer Center in New York; and Mount Sinai Health System in New York. Institutions were recruited between March and May 2020. Dataset curation started in June 2020 and the final data cohort was added in September 2020. Between August and October 2020, 140 independent FL runs were conducted to develop the EXAM model and, by the end of October 2020, EXAM was made public on NVIDIA NGC , , . Data from three independent sites were used for independent validation: CDH, MVH and NCH, all in Massachusetts, USA. These three hospitals had patient population characteristics different from the training sites. The data used for the algorithm validation consisted of patients admitted to the ED at these sites between March 2020 and February 2021, and that satisfied the same inclusion criteria of the data used to train the FL model. 1a 61 62 63 डेटा संग्रह The 20 client sites prepared a total of 16,148 cases (both positive and negative) for the purposes of training, validation and testing of the model (Fig. ) अध्ययन में शामिल होने के मानदंडों को पूरा करने वाले रोगियों के संबंध में चिकित्सा डेटा का उपयोग किया गया था. क्लाइंट साइटों ने दिसंबर 2019 में पैंडेमिया की शुरुआत के बाद से और एक्सएएम अध्ययन के लिए स्थानीय प्रशिक्षण शुरू करने तक सभी COVID सकारात्मक मामलों को शामिल करने का प्रयास किया था. 30 सितंबर 2020 तक सभी स्थानीय प्रशिक्षण शुरू किए गए थे. साइटों में एक ही अवधि में अन्य रोगियों को भी शामिल किया गया था जिसमें नकारात्मक आरटी-पीसीआर परीक्षण के परिणाम थे. चूंकि अधिकांश साइटों में SARS-COV-2 नकारात्मक रोगियों की तुलना में सकारात्मक रोगियों की संख्या थी, इसलिए हमने शामिल नकारात्मक रोगियों की संख्या को प्रत्येक क्लाइंट साइट पर कुल मामलों के 95% तक सीमित किया। 1b A ‘case’ included a CXR and the requisite data inputs taken from the patient’s medical record. A breakdown of the cohort size of the dataset for each client site is shown in Fig. CXR छवि तीव्रता (पिक्सल मान) के वितरण और पैटर्न साइटों के बीच बहुत भिन्न थे, जैसे कि विभिन्न डिवाइस निर्माताओं और छवि प्रोटोकॉल जैसे रोगी और साइट विशिष्ट कारकों की एक बहुतायत के कारण। . Patient age and EMR feature distribution varied greatly among sites, as expected owing to the differing demographics between globally distributed hospitals (Extended Data Fig. ) 1b 1c,d 6 मरीज को शामिल करने के लिए मानदंड रोगी को शामिल करने के लिए मानदंड थे: (1) रोगी को अस्पताल के एडी या समकक्ष में प्रस्तुत किया गया था; (2) रोगी को एडी को प्रस्तुत करने और अस्पताल से निकालने के बीच किसी भी समय एक आरटी-पीसीआर परीक्षण किया गया था; (3) रोगी को एडी में CXR था; और (4) रोगी के रिकॉर्ड में तालिका में विस्तृत किए गए ईएमआर मूल्यों में से कम से कम पांच थे। , all obtained in the ED, and the relevant outcomes captured during hospitalization. Of note, The CXR, laboratory results and vitals used were the first available for capture during the visit to the ED. The model did not incorporate any CXR, laboratory results or vitals acquired after leaving the ED. 1 इनपुट मॉडल कुल मिलाकर, मॉडल के लिए इनपुट के रूप में 21 ईएमआर विशेषताओं का उपयोग किया गया था. परिणाम (यानी, जमीन सत्य) लेबल को रोगी की आवश्यकताओं के आधार पर 24 और 72 घंटे की अवधि के बाद ईएमआर में प्रारंभिक प्रवेश के बाद आवंटित किया गया था. अनुरोध किए गए ईएमआर विशेषताओं और परिणामों का विस्तृत सूची तालिका में देखा जा सकता है . 1 विभिन्न ग्राहक साइटों पर विभिन्न डिवाइसों का उपयोग करके ऑक्सीजन उपचार के वितरण को विस्तारित डेटा चित्र में दिखाया गया है। , जो डिवाइस के उपयोग को डिवाइस में प्रवेश और 24 और 72 घंटे की अवधि के बाद विस्तृत करता है डेटासेट वितरण में अंतर सबसे बड़े और सबसे छोटे क्लाइंट साइटों के बीच विस्तारित डेटा चित्र में देखा जा सकता है। . 7 8 COVID-19 के सकारात्मक मामलों की संख्या, जो किसी भी समय एडी में प्रस्तुत करने और अस्पताल से निकालने के बीच प्राप्त एकल आरटी-पीसीआर परीक्षण द्वारा पुष्टि की गई है, पूरक तालिका में सूचीबद्ध है . Each client site was asked to randomly split its dataset into three parts: 70% for training, 10% for validation and 20% for testing. For both 24- and 72-h outcome prediction models, random splits for each of the three repeated local and FL training and evaluation experiments were independently generated. 1 EXAM model development COVID-19 के लक्षणों के साथ अस्पताल में आने वाले रोगियों के नैदानिक पाठ्यक्रम में व्यापक भिन्नता है, जिनमें से कुछ श्वसन कार्य में तेजी से खराब होने का अनुभव करते हैं जो hypoxemia को रोकने या कम करने के लिए विभिन्न हस्तक्षेपों की आवश्यकता होती है , प्रारंभिक देखभाल बिंदु पर या एडी में एक रोगी की मूल्यांकन के दौरान किए गए एक महत्वपूर्ण निर्णय यह है कि क्या रोगी को अधिक आक्रामक या संसाधनों से सीमित विरोधी उपायों या हस्तक्षेपों (जैसे एमवी या मोनोक्लोनिक एंटीबॉडी) की आवश्यकता हो सकती है, और इसलिए एक दुर्लभ लेकिन प्रभावी उपचार, दुष्प्रभावों के कारण एक संकीर्ण जोखिम लाभ अनुपात के साथ एक उपचार या एक उच्च स्तर की देखभाल प्राप्त करनी चाहिए, जैसे कि गहन देखभाल इकाई में प्रवेश। . In contrast, a patient who is at lower risk of requiring invasive oxygen therapy may be placed in a less intensive care setting such as a regular ward, or even released from the ED for continuing self-monitoring at home . EXAM was developed to help triage such patients. 62 63 64 65 Of note, the model is not approved by any regulatory agency at this time and it should be used only for research purposes. परीक्षा स्कोर EXAM FL का उपयोग करके प्रशिक्षित किया गया था; यह CORISK के समान एक जोखिम स्कोर (उत्पादित EXAM स्कोर) का उत्पादन करता है (अधिकतम डेटा फ़ाइल। ) and can be used in the same way to triage patients. It corresponds to a patient’s oxygen support requirements within two windows—24 and 72 h—after initial presentation to the ED. Extended Data Fig. यह दर्शाता है कि CORISK और EXAM स्कोर का उपयोग मरीज के वर्गीकरण के लिए कैसे किया जा सकता है। 27 9a 9b छाती एक्स-रे छवियों को सामने की स्थिति छवि का चयन करने के लिए पूर्व-प्रसंस्करण किया गया था और पक्षी दृश्य छवियों को बाहर कर दिया गया था, और फिर 224 × 224 की रिज़ॉल्यूशन तक स्केल किया गया था। , मॉडल EMR और CXR दोनों विशेषताओं से जानकारी को एकीकृत करता है (परिवर्तन ResNet34 पर आधारित CheXpert डेटासेट पर पूर्व प्रशिक्षित) गहरी और क्रॉस नेटवर्क . To converge these different data types, a 512-dimensional feature vector was extracted from each CXR image using a pretrained ResNet34, with spatial attention, then concatenated with the EMR features as the input for the Deep & Cross network. The final output was a continuous value in the range 0–1 for both 24- and 72-h predictions, corresponding to the labels described above, as shown in Extended Data Fig. . We used cross-entropy as the loss function and ‘Adam’ as the optimizer. The model was implemented in Tensorflow using the NVIDIA Clara Train SDK वर्गीकरण कार्यों के लिए औसत AUC (≥LFO, ≥HFO/NIV या ≥MV) का गणना किया गया था और अंतिम मूल्यांकन मीट्रिक्स के रूप में उपयोग किया गया था, जिसमें शून्य मध्यम और इकाइयों की भिन्नता के साथ सामान्यीकरण किया गया था। ) 9a 66 67 68 9 बी 69 70 27 विशेषता अनुदान और मानकीकरण A MissForest algorithm was used to impute EMR features, based on the local training dataset. If an EMR feature was completely missing from a client site dataset, the mean value of that feature, calculated exclusively on data from MGB client sites, was used. Then, EMR features were rescaled to zero-mean and unit variance based on statistics calculated on data from the MGB client sites. 71 Details of EMR–CXR data fusion using the Deep & Cross network मामले के स्तर पर EMR और CXR डेटा से विशेषताओं के बातचीत को मॉडलिंग करने के लिए, एक डीप एंड क्रॉस नेटवर्क वास्तुकला के आधार पर एक गहरी विशेषता योजना का उपयोग किया गया था . Binary and categorical features for the EMR inputs, as well as 512-dimensional image features in the CXR, were transformed into fused dense vectors of real values by embedding and stacking layers. The transformed dense vectors served as input to the fusion framework, which specifically employed a crossing network to enforce fusion among input from different sources. The crossing network performed explicit feature crossing within its layers, by conducting inner products between the original input feature and output from the previous layer, thus increasing the degree of interaction across features. At the same time, two individual classic deep neural networks with several stacked, fully connected feed-forward layers were trained. The final output of our framework was then derived from the concatenation of both classic and crossing networks. 68 FL details संभवतः FL का सबसे स्थापित रूप McMahan et al द्वारा प्रस्तावित संघीय औसत एल्गोरिथ्म के कार्यान्वयन है। इस एल्गोरिथ्म को एक क्लाइंट-सेवर सेटिंग का उपयोग करके पूरा किया जा सकता है जहां प्रत्येक भाग लेने वाली साइट एक क्लाइंट के रूप में कार्य करती है. किसी को एक वैश्विक नुकसान कार्य को कम करने के उद्देश्य से FL को एक विधि के रूप में सोच सकते हैं, जो प्रत्येक साइट पर अनुमानित स्थानीय नुकसान कार्यों की एक सेट को कम करने के द्वारा। प्रत्येक क्लाइंट साइट के स्थानीय नुकसान को कम करके, जबकि एक केंद्रित जोड़ने के सर्वर पर सीखने वाले क्लाइंट साइट वजनों को भी सिंक्रनाइज़ करके, किसी को एक केंद्रित स्थान पर पूरे डेटासेट तक पहुंचने की आवश्यकता के बिना वैश्विक नुकसान को कम कर सकते हैं। प्रत्येक क्लाइंट साइट स्थानीय रूप से सीखती है, और एक केंद्रीय सर्वर के साथ मॉडल वजन अद्यतन ) 72 9 सी एफएल के एक pseudoalgorithm को Supplementary Note में दिखाया गया है हमारे प्रयोगों में, हमने संघीय दौरों की संख्या को सेट किया = 200, with one local training epoch per round ग्राहकों की संख्या, ग्राहकों की संख्या, , ग्राहकों की नेटवर्क कनेक्टिविटी या एक विशिष्ट लक्षित परिणाम अवधि (24 या 72 घंटे) के लिए उपलब्ध डेटा के आधार पर 20 तक था। , प्रत्येक ग्राहक पर डेटासेट का आकार पर निर्भर करता है और संयुक्त औसत में मॉडल वजनों को जोड़ते समय प्रत्येक क्लाइंट के योगदान को वजन देने के लिए इस्तेमाल किया जाता है. एफएल प्रशिक्षण कार्य के दौरान, प्रत्येक क्लाइंट साइट अपने स्थानीय सत्यापन सेट पर मॉडल के प्रदर्शन को ट्रैक करके अपने सर्वश्रेष्ठ स्थानीय मॉडल का चयन करता है. साथ ही, सर्वर प्रत्येक क्लाइंट साइट से प्रत्येक एफएल दौर के बाद सर्वर को भेजे गए औसत सत्यापन स्कोर के आधार पर सर्वश्रेष्ठ वैश्विक मॉडल का निर्धारण करता है. एफएल प्रशिक्षण समाप्त होने के बाद, सर्वश्रेष्ठ स्थानीय मॉडल और सर्वश्रेष्ठ वैश्विक मॉडल को स्वचालित रूप से सभी क्लाइंट साइटों के साथ साझा किया जाता है और उनके स्थानीय परीक्षण डेटा पर मूल्यांकन किया जाता है. 1 T t K nk k जब प्रशिक्षण केवल स्थानीय डेटा पर होता है (बिज़लाइन), तो हमने युग संख्या को 200 में सेट किया. एडम ऑप्टिमाइज़र को स्थानीय प्रशिक्षण और एफएल दोनों के लिए इस्तेमाल किया गया था, जिसमें प्रारंभिक सीखने की दर 5 × 10-5 और हर 40 युगों के बाद 0.5 के साथ चरण-दर-शैली सीखने की दर का विघटन होता है, जो संघीय औसत के एकीकरण के लिए महत्वपूर्ण है . Random affine transformations, including rotation, translations, shear, scaling and random intensity noise and shifts, were applied to the images for data augmentation during training. 73 BN परतों की संवेदनशीलता के कारण when dealing with different clients in a nonindependent and identically distributed setting, we found the best model performance occurred when keeping the pretrained ResNet34 with spatial attention एफएल प्रशिक्षण के दौरान तय किए गए पैरामीटर (यानी, उन परतों के लिए शून्य सीखने की दर का उपयोग करते हुए)। डीप एंड क्रॉस नेटवर्क जो ईएमआर सुविधाओं के साथ छवि सुविधाओं को जोड़ता है, इसमें बीएन परतें नहीं होती हैं और इसलिए बीएन अस्थिरता समस्याओं से प्रभावित नहीं होती है। 58 47 In this study we investigated a privacy-preserving scheme that shares only partial model updates between server and client sites. The weight updates were ranked during each iteration by magnitude of contribution, and only a certain percentage of the largest weight updates was shared with the server. To be exact, weight updates (also known as gradients) were shared only if their absolute value was above a certain percentile threshold, (t) (Extended Data Fig. , जो सभी गैर-शून्य ग्रेडेंट से गणना की गई थी, Δ , and could be different for each client in each FL round इस योजना के विन्यासों में बड़े ग्रेडिंट या डिफ़ेंसियल गोपनीयता योजनाओं के अतिरिक्त काटने शामिल हो सकते हैं। जो नेटवर्क में खिलाने से पहले ग्रेडिएंट, या यहां तक कि कच्चे डेटा के लिए यादृच्छिक शोर जोड़ते हैं . k 5 जीएसटी(टी) k t 49 51 सांख्यिकीय विश्लेषण हमने एक विल्कोक्सन हस्ताक्षरित रैंक परीक्षण किया ताकि 24 और 72 घंटे के समय बिंदुओं के लिए स्थानीय रूप से प्रशिक्षित मॉडल और एफएल मॉडल के बीच प्रदर्शन में देखा गया सुधार की महत्वपूर्णता की पुष्टि हो सके। और विस्तारित डेटा Fig। (Null hypothesis) को एकल पक्ष के साथ अस्वीकार कर दिया गया है। « 1 × 10-3 दोनों मामलों में। 2 1 P पेरिसन के संदर्भ का उपयोग स्थानीय डेटासेट आकार के संबंध में स्थानीय रूप से प्रशिक्षित मॉडलों के सामान्य करने योग्यता का मूल्यांकन करने के लिए किया गया था. केवल मध्यम संदर्भ का पालन किया गया था ( = 0.43 के लिए = 0.035, स्वतंत्रता डिग्री (df) = 24 घंटे मॉडल और = 0.62 के लिए = 0.003, df = 16 72-h मॉडल के लिए). यह इंगित करता है कि डेटासेट का आकार अकेले ही एक मॉडल के अंधेरे डेटा के प्रति मजबूत होने का निर्धारण करने वाला एकमात्र कारक नहीं है। r P r P वैश्विक FL मॉडल और विभिन्न स्थानों पर प्रशिक्षित स्थानीय मॉडल से ROC Curves की तुलना करने के लिए (Extended Data Fig. ), हमने डेटा से 1,000 नमूने को बूटस्ट्राप किया और परिणामस्वरूप AUCs की गणना की. हमने फिर दो श्रृंखलाओं के बीच अंतर की गणना की और सूत्र का उपयोग करके मानकीकृत किया = (AUC1 – AUC2) कहां यह मानक अंतर है, यह बूटस्ट्राप अंतरों का मानक विचलन है और AUC1 और AUC2 संबंधित बूटस्ट्राप AUC श्रृंखला हैं। सामान्य वितरण के साथ, हम प्राप्त करते हैं अतिरिक्त तालिका में चित्रित मूल्य परिणामों से पता चलता है कि शून्य अनुमान बहुत कम के साथ अस्वीकार किया गया था आंकड़े, जो एफएल परिणामों की उत्कृष्टता के सांख्यिकीय महत्व को इंगित करते हैं। मूल्यों को pROC पुस्तकालय के साथ R में संचालित किया गया था . 3 D s D s D P 2 P P 74 चूंकि मॉडल एक विशिष्ट परिणाम, 0 से 1 के बीच एक निरंतर स्कोर का पूर्वानुमान करता है, इसलिए एक qqplot जैसे एक सीधे कैलिब्रेशन मूल्यांकन संभव नहीं है। ) हमने स्थानीय और FL मॉडल स्कोर की तुलना करने के लिए एकल दिशा विश्लेषण का विश्लेषण (ANOVA) परीक्षण किया चार जमीन सत्य श्रेणियों (एआरए, एलएफओ, एचएफओ, एमवी) के बीच। -स्टेटिक, नमूने के बीच परिवर्तन के रूप में गणना की जाती है, नमूने के भीतर परिवर्तन से विभाजित और विभिन्न समूहों के बीच विचलन की डिग्री का प्रतिनिधित्व करता है, मॉडल की मात्रा का उपयोग किया गया था। -पाँच अलग-अलग स्थानीय साइटों के मान 245.7, 253.4, 342.3, 389.8 और 634.8 हैं, जबकि एफएल मॉडल का मान 843.5 है। -मूल्यों का मतलब है कि समूह अधिक विभाजित हैं, हमारे एफएल मॉडल से स्कोर स्पष्ट रूप से चार मूल सत्य श्रेणियों के बीच एक बड़ा विचलन दिखाते हैं। एफएल मॉडल पर ANOVA परीक्षण का मूल्य <2 × 10-16 है, जो इंगित करता है कि एफएल पूर्वानुमान स्कोर विभिन्न पूर्वानुमान वर्गों के बीच सांख्यिकीय रूप से महत्वपूर्ण हैं। 10 F F F P Reporting Summary अनुसंधान डिजाइन के बारे में अधिक जानकारी उपलब्ध है इस लेख से जुड़े प्रकृति अनुसंधान रिपोर्ट डेटा उपलब्धता इस अध्ययन में भाग लेने वाले 20 संस्थानों के डेटासेट उनकी देखभाल के अधीन रहते हैं. इन डेटा को स्थानीय साइटों में से प्रत्येक में प्रशिक्षण के लिए उपयोग किया गया था और अन्य भाग लेने वाले संस्थानों या संघीय सर्वर के साथ साझा नहीं किया गया था, और वे सार्वजनिक रूप से उपलब्ध नहीं हैं. स्वतंत्र सत्यापन साइटों से डेटा को CAMCA द्वारा बनाए रखा जाता है, और पहुंच Q.L. से संपर्क करके अनुरोध किया जा सकता है. CAMCA द्वारा निर्धारित करने के आधार पर, अनुसंधान उद्देश्यों के लिए आईआरबी का एक डेटा साझा समीक्षा और संशोधन एमजीबी अनुसंधान प्रशासन द्वारा और एमजीबी आईआरबी और नीति के अनुसार किया जा सकता है. कोड उपलब्धता इस अध्ययन में इस्तेमाल किए गए सभी कोड और सॉफ्टवेयर NGC पर सार्वजनिक रूप से उपलब्ध हैं. एक्सेस करने के लिए, मेहमान के रूप में लॉग इन करने के लिए या एक प्रोफ़ाइल बनाने के लिए, नीचे दिए गए URL में से एक दर्ज करें. प्रशिक्षित मॉडल, डेटा तैयार करने के दिशानिर्देश, प्रशिक्षण के लिए कोड, मॉडल की सत्यापन परीक्षण, readme फ़ाइल, स्थापना दिशानिर्देश और लाइसेंस फ़ाइल NVIDIA NGC पर सार्वजनिक रूप से उपलब्ध हैं : संघीय सीखने सॉफ्टवेयर क्लारा ट्रेन एसडीके के हिस्से के रूप में उपलब्ध है: वैकल्पिक रूप से, इस कमांड का उपयोग मॉडल "wget --content-disposition" डाउनलोड करने के लिए करें -O clara_train_covid19_exam_ehr_xray_1.zip। 61 https://ngc.nvidia.com/catalog/models/nvidia:med:clara_train_covid19_exam_ehr_xray https://ngc.nvidia.com/catalog/containers/nvidia:clara-train-sdk https://api.ngc.nvidia.com/v2/models/nvidia/med/clara_train_covid19_exam_ehr_xray/versions/1/zip संदर्भ Budd, J. et al. Digital technologies in the public-health response to COVID-19. , 1183–1192 (2020). Nat. Med. 26 Moorthy, V., Henao Restrepo, A. M., Preziosi, M.-P. & Swaminathan, S. Data sharing for novel coronavirus (COVID-19). , 150 (2020). Bull. World Health Organ. 98 Chen, Q., Allot, A. & Lu, Z. Keep up with the latest coronavirus research. , 193 (2020). Nature 579 Fabbri, F., Bhatia, A., Mayer, A., Schlotter, B. & Kaiser, J. BCG IT spend pulse: how COVID-19 is shifting tech priorities. (2020). https://www.bcg.com/publications/2020/how-covid-19-is-shifting-big-it-spend Candelon, F., Reichert, T., Duranton, S., di Carlo, R. C. & De Bondt, M. The rise of the AI-powered company in the postcrisis world. (2020). https://www.bcg.com/en-gb/publications/2020/business-applications-artificial-intelligence-post-covid Chao, H. et al. Integrative analysis for COVID-19 patient outcome prediction. , 101844 (2021). Med. Image Anal. 67 Zhu, X. et al. Joint prediction and time estimation of COVID-19 developing severe symptoms using chest CT scan. , 101824 (2021). Med. Image Anal. 67 Yang, D. et al. Federated semi-supervised learning for Covid region segmentation in chest ct using multi-national data from China, Italy, Japan. , 101992 (2021). Med. Image Anal. 70 Minaee, S., Kafieh, R., Sonka, M., Yazdani, S. & Jamalipour Soufi, G. Deep-COVID: predicting COVID-19 from chest X-ray images using deep transfer learning. , 101794 (2020). Med. Image Anal. 65 COVID-19 Studies from the World Health Organization Database. (2020). https://clinicaltrials.gov/ct2/who_table ACTIV. (2020). https://www.nih.gov/research-training/medical-research-initiatives/activ Coronavirus Treatment Acceleration Program (CTAP). US Food and Drug Administration (2020). https://www.fda.gov/drugs/coronavirus-covid-19-drugs/coronavirus-treatment-acceleration-program-ctap Gleeson, P., Davison, A. P., Silver, R. A. & Ascoli, G. A. A commitment to open source in neuroscience. , 964–965 (2017). Neuron 96 Piwowar, H. et al. The state of OA: a large-scale analysis of the prevalence and impact of open access articles. , e4375 (2018). PeerJ. 6 European Society of Radiology (ESR). What the radiologist should know about artificial intelligence – an ESR white paper. , 44 (2019). Insights Imaging 10 Pesapane, F., Codari, M. & Sardanelli, F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. , 35 (2018). Eur. Radiol. Exp. 2 Price, W. N. 2nd & Cohen, I. G. Privacy in the age of medical big data. , 37–43 (2019). Nat. Med. 25 Liang, W. et al. Development and validation of a clinical risk score to predict the occurrence of critical illness in hospitalized patients with COVID-19. , 1081–1089 (2020). JAMA Intern. Med. 180 Wynants, L. et al. Prediction models for diagnosis and prognosis of covid-19 infection: systematic review and critical appraisal. , m1328 (2020). Brit. Med. J. 369 Zhang, L. et al. D-dimer levels on admission to predict in-hospital mortality in patients with Covid-19. , 1324–1329 (2020). J. Thromb. Haemost. 18 Sands, K. E. et al. Patient characteristics and admitting vital signs associated with coronavirus disease 2019 (COVID-19)-related mortality among patients admitted with noncritical illness. (2020). https://doi.org/10.1017/ice.2020.461 American College of Radiology. CR recommendations for the use of chest radiography and computed tomography (CT) for suspected COVID-19 infection. (2020). https://www.acr.org/Advocacy-and-Economics/ACR-Position-Statements/Recommendations-for-Chest-Radiography-and-CT-for-Suspected-COVID19-Infection Rubin, G. D. et al. The role of chest imaging in patient management during the COVID-19 pandemic: a multinational consensus statement from the Fleischner Society. , 172–180 (2020). Radiology 296 World Health Organization. Use of chest imaging in COVID-19. (2020). https://www.who.int/publications/i/item/use-of-chest-imaging-in-covid-19 Jamil, S. et al. Diagnosis and management of COVID-19 disease. , 10 (2020). Am. J. Respir. Crit. Care Med. 201 Redmond, C. E., Nicolaou, S., Berger, F. H., Sheikh, A. M. & Patlas, M. N. Emergency radiology during the COVID-19 pandemic: The Canadian Association of Radiologists Recommendations for Practice. , 425–430 (2020). Can. Assoc. Radiologists J. 71 Buch, V. et al. Development and validation of a deep learning model for prediction of severe outcomes in suspected COVID-19 Infection. Preprint at (2021). https://arxiv.org/abs/2103.11269 Lyons, C. & Callaghan, M. The use of high-flow nasal oxygen in COVID-19. , 843–847 (2020). Anaesthesia 75 Whittle, J. S., Pavlov, I., Sacchetti, A. D., Atwood, C. & Rosenberg, M. S. Respiratory support for adult patients with COVID-19. , 95–101 (2020). J. Am. Coll. Emerg. Physicians Open 1 Ai, J., Li, Y., Zhou, X. & Zhang, W. COVID-19: treating and managing severe cases. , 370–371 (2020). Cell Res. 30 Esteva, A. et al. A guide to deep learning in healthcare. , 24–29 (2019). Nat. Med. 25 Cahan, E. M., Hernandez-Boussard, T., Thadaney-Israni, S. & Rubin, D. L. Putting the data before the algorithm in big data addressing personalized healthcare. , 78 (2019). NPJ Digit. Med. 2 Thrall, J. H. et al. Artificial intelligence and machine learning in radiology: opportunities, challenges, pitfalls, and criteria for success. , 504–508 (2018). J. Am. Coll. Radiol. 15 Shilo, S., Rossman, H. & Segal, E. Axes of a revolution: challenges and promises of big data in healthcare. , 29–38 (2020). Nat. Med. 26 Gao, Y. & Cui, Y. Deep transfer learning for reducing health care disparities arising from biomedical data inequality. , 5131 (2020). Nat. Commun. 11 Rieke, N. et al. The future of digital health with federated learning. , 119 (2020). NPJ Dig. Med. 3 Yang, Q., Liu, Y., Chen, T. & Tong, Y. Federated machine learning: concept and applications. , 12 (2019). ACM Trans. Intell. Syst. Technol. 10 Ma, C. et al. On safeguarding privacy and security in the framework of federated learning. , 242–248 (2020). IEEE Netw. 34 Brisimi, T. S. et al. Federated learning of predictive models from federated Electronic Health Records. , 59–67 (2018). Int. J. Med. Inform. 112 Roth, H. R. et al. Federated learning for breast density classification: a real-world implementation. In , (eds. Albarqouni, S. et al.) Vol. 12,444, 181–191 (Springer International Publishing, 2020). Proc. Second MICCAI Workshop, DART 2020 and First MICCAI Workshop, DCL 2020 Domain Adaptation and Representation Transfer, and Distributed and Collaborative Learning Sheller, M. J. et al. Federated learning in medicine: facilitating multi-institutional collaborations without sharing patient data. , 12598 (2020). Sci. Rep. 10 Remedios, S. W., Butman, J. A., Landman, B. A. & Pham, D. L. in (eds Remedios, S. W. et al.) (Springer, 2020). Federated Gradient Averaging for Multi-Site Training with Momentum-Based Optimizers Xu, Y. et al. A collaborative online AI engine for CT-based COVID-19 diagnosis. Preprint at (2020). https://www.medrxiv.org/content/10.1101/2020.05.10.20096073v2 Raisaro, J. L. et al. SCOR: A secure international informatics infrastructure to investigate COVID-19. , 1721–1726 (2020). J. Am. Med. Inform. Assoc. 27 Vaid, A. et al. Federated learning of electronic health records to improve mortality prediction in hospitalized patients with COVID-19: machine learning approach. , e24207 (2021). JMIR Med. Inform. 9 Nino, G. et al. Pediatric lung imaging features of COVID-19: a systematic review and meta-analysis. , 252–263 (2021). Pediatr. Pulmonol. 56 Fredrikson, M., Jha, S. & Ristenpart, T. Model inversion attacks that exploit confidence information and basic countermeasures. In 1322–1333, (2015). Proc. 22nd ACM SIGSAC Conference on Computer and Communications Security https://doi.org/10.1145/2810103.2813677 Zhu, L., Liu, Z. & Han, S. in (eds Wallach, H. et al.) 14774–14784 (Curran Associates, Inc., 2019). Advances in Neural Information Processing Systems 32 Kaissis, G. A., Makowski, M. R., Rückert, D. & Braren, R. F. Secure, privacy-preserving and federated machine learning in medical imaging. , 305–311 (2020). Nat. Mach. Intell. 2 Li, W. et al. in 133–141 (Springer, 2019). Privacy-Preserving Federated Brain Tumour Segmentation Shokri, R. & Shmatikov, V. Privacy-preserving deep learning. In (2015). Proc. 53rd Annual Allerton Conference on Communication, Control, and Computing (Allerton) https://doi.org/10.1109/allerton.2015.7447103 Li, X. et al. Multi-site fMRI analysis using privacy-preserving federated learning and domain adaptation: ABIDE results. , 101765 (2020). Med. Image Anal. 65 Estiri, H. et al. Predicting COVID-19 mortality with electronic medical records. , 15 (2021). NPJ Dig. Med. 4 Jiang, G. et al. Harmonization of detailed clinical models with clinical study data standards. , 65–74 (2015). Methods Inf. Med. 54 Yang, D. et al. in . (2019). Searching Learning Strategy with Reinforcement Learning for 3D Medical Image Segmentation https://doi.org/10.1007/978-3-030-32245-8_1 Elsken, T., Metzen, J. H. & Hutter, F. Neural architecture search: a survey. , 1–21 (2019). J. Mach. Learning Res. 20 Yao, Q. et al. Taking human out of learning applications: a survey on automated machine learning. Preprint at (2019). https://arxiv.org/abs/1810.13306 Ioffe, S. & Szegedy, C. Batch normalization: accelerating deep network training by reducing internal covariate shift. In , PMLR , 448–456 (2015). Proc. 32nd International Conf. Machine Learning 37 Kaufman, S., Rosset, S. & Perlich, C. Leakage in data mining: formulation, detection, and avoidance. In , 556–563 (2011). Proc. 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining Zhang, C. et al. BatchCrypt: efficient homomorphic encryption for cross-silo federated learning. In , 493–506 (2020). Proc. 2020 USENIX Annual Technical Conference, ATC 2020 . (2020). Nvidia NGC Catalog: COVID-19 Related Models https://ngc.nvidia.com/catalog/models?orderBy=scoreDESC&pageNumber=0&query=covid&quickFilter=models&filters Marini, J. J. & Gattinoni, L. Management of COVID-19 respiratory distress. , 2329–2330 (2020). JAMA 323 Cook, T. M. et al. Consensus guidelines for managing the airway in patients with COVID-19: Guidelines from the Difficult Airway Society, the Association of Anaesthetists the Intensive Care Society, the Faculty of Intensive Care Medicine and the Royal College of Anaesthetist. , 785–799 (2020). Anaesthesia 75 Galloway, J. B. et al. A clinical risk score to identify patients with COVID-19 at high risk of critical care admission or death: an observational cohort study. , 282–288 (2020). J. Infect. 81 Kilaru, A. S. et al. Return hospital admissions among 1419 COVID-19 patients discharged from five U.S. emergency departments. , 1039–1042 (2020). Acad. Emerg. Med. 27 He, K., Zhang, X., Ren, S. & Sun, J. Deep residual learning for image recognition. In (2016). Proc. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) https://doi.org/10.1109/cvpr.2016.90 Irvin, J. et al. CheXpert: a large chest radiograph dataset with uncertainty labels and expert comparison. , 590–597 (2019). Proc. AAAI Conf. Artif. Intell. 33 Wang, R., Fu, B., Fu, G. & Wang, M. Deep & Cross network for Ad Click predictions. In Article no. 12 (2017). Proc. ADKDD’17 Abadi, M. et al. TensorFlow: asystem for large-scale machine learning. In , USENIX Association 265–283 (2016). 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16) . (2020). NVIDIA Clara Imaging https://developer.nvidia.com/clara-medical-imaging Stekhoven, D. J. & Bühlmann, P. MissForest–non-parametric missing value imputation for mixed-type data. , 112–118 (2012). Bioinformatics 28 McMahan, H., Moore, E., Ramage, D., Hampson, S. & y Arcas, B. A. Communication-efficient learning of deep networks from decentralized data. (2017). http://proceedings.mlr.press/v54/mcmahan17a.html Hsieh, K., Phanishayee, A., Mutlu, O. & Gibbons, P. B. The non-IID data quagmire of decentralized machine learning. In PMLR 119 (2020). Proc. 37th International Conf. Machine Learning Robin, X. et al. pROC: an open-source package for R and S+ to analyze and compare ROC curves. , 77 (2011). BMC Bioinformatics 12 मान्यताएं इस अध्ययन में प्रदर्शित क्लिनिकल डेटा विभाग के माध्यम से व्यक्त किए गए विचार लेखक के हैं और जरूरी नहीं कि एनएचएस, एनआईएचआर, स्वास्थ्य और सामाजिक देखभाल विभाग या लेखकों के साथ जुड़े किसी भी संगठनों के बारे में। एमजीबी उनके समर्थन के लिए निम्नलिखित व्यक्तियों को धन्यवाद देता है: जे. ब्रंक, रेडियोलॉजी विभाग, मैसाचुसेट्स जनरल अस्पताल, हार्वर्ड मेडिकल स्कूल, बोस्टन, एमए; एम. काल्रा, रेडियोलॉजी विभाग, मैसाचुसेट्स जनरल अस्पताल, हार्वर्ड मेडिकल स्कूल, हार्वर्ड मेडिकल स्कूल, बोस्टन, एमए; एमए. Neumark, क्लिनिकल डेटा विज्ञान केंद्र, मैसाचुसेट्स जनरल ब्रैगम, बोस्टन, एमए चिकित्सा संकाय, Chulalongkorn विश्वविद्यालय द्वारा Ratchadapisek Sompoch Endowment Fund RA (PO) (No. 001/63) को अनुसंधान कार्यकारिणी, चिकित्सा संकाय, Chulalongkorn विश्वविद्यालय के लिए COVID-19 से संबंधित नैदानिक डेटा और जैविक नमूने के संग्रह और प्रबंधन के लिए धन्यवाद। NIHR Cambridge Biomedical Research Center RA (PO) को धन्यवाद, जिसे NIHR (Cambridge Biomedical Research Centre at Cambridge University Hospitals NHS Foundation Trust) द्वारा समर्थित किया जाता है। National Taiwan University MeDA Lab और MAHC और Taiwan National Health Insurance Administration को धन्यवाद। https://data.ucsf.edu/covid19 This paper is under CC by 4.0 Deed (Attribution 4.0 International) license. available on nature यह कागज है CC by 4.0 Deed (Attribution 4.0 International) लाइसेंस के तहत। प्रकृति में उपलब्ध
