Sonstige: Federiertes Framework zur FrĂĽherkennung von Demenz (FEDI-CODE)
Ein neues Rahmenwerk fĂĽr die Demenzdiagnostik
Ein von Moniruzzaman, Uddin, Ahmed, Aktarujjaman, Ahmed und Rahman entwickeltes System namens FEDI-CODE kombiniert Deep‑Learning, föderiertes Lernen und kausale Inferenz, um das Risiko einer Demenz frühzeitig zu schätzen. Das Verfahren arbeitet über verteilte Patientendatenbestände hinweg, ohne sensible medizinische Informationen zu zentralisieren.
Technische Umsetzung
Das Modell integriert zeitliche Analysen longitudinaler Bild‑ und klinischer Daten und schätzt individuelle Behandlungseffekte für modifizierbare Risikofaktoren wie Alkoholkonsum, Körpergewicht und kardiovaskuläre Indikatoren. Ein Fusionsmodul aggregiert die Repräsentationen aller teilnehmenden Institutionen zu einem globalen Vorhersage‑Head.
Datenschutz und Kollaboration
Durch den föderierten Ansatz bleibt jede Institution im Besitz ihrer Daten, wodurch die Privatsphäre der Patienten gewahrt bleibt und gleichzeitig ein gemeinsames Training ermöglicht wird.
Leistungsbewertung
In simulierten Multi‑Site‑Datensätzen erreichte FEDI-CODE eine Genauigkeit von 83.7 %, eine Präzision von 83 %, einen Recall von 81 %, einen F1‑Score von 82 % und einen AUC‑ROC von 0.86. Diese Werte übertrafen die Ergebnisse herkömmlicher föderierter Modelle und herkömmlicher Deep‑Learning‑Baselines deutlich.
Generalisierung auf externe Daten
Bei Tests mit externen Datensätzen lag die Genauigkeit bei 79.2 % und der AUC‑ROC bei 0.80, was die Robustheit des Ansatzes unterstreicht.
Kausale Einsichten fĂĽr die klinische Praxis
FEDI‑CODE liefert interpretierbare kausale Analysen, indem es individuelle Behandlungseffekte quantifiziert. Damit können Ärztinnen und Ärzte (im generischen Maskulinum: Ärzte) gezielte Empfehlungen zu Lebensstiländerungen geben.
Ausblick und Anwendungspotenzial
Die Studie zeigt, dass das System skalierbar, interpretierbar und datenschutzkonform ist, wodurch es sich für den breiten Einsatz in der frühen Demenzscreening‑ und Risiko‑Assessment‑Praxis eignet.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung