Decentralized Disease Prediction: A Federated Learning Perspective

Makine öğrenmesi, büyük ölçekli verilerden anlamlı bilgiler çıkarma yeteneği sayesinde sağlık sektöründe giderek artan bir öneme sahip olmuştur. Ancak sağlık verilerinin hassas doğası, gizlilik endişelerini beraberinde getirmekte ve verilerin merkezi sunucularda toplanmasını, dolayısıyla geleneksel makine öğrenmesi algoritmalarının uygulanabilirliğini kısıtlamaktadır. Bu çalışmada, söz konusu sorunlara çözüm olarak, federated learning (federe öğrenme) temelli bir birleştirme algoritması olan Data Unaware Classification Based on Association (duCBA) hastalık tahmini amacıyla kullanılmıştır. Model eğitimi, Diabetes Health Indicators ve Heart Attack Prediction adlı iki açık erişimli sağlık veriseti kullanılarak gerçekleştirilmiştir. Eğitime başlamadan önce Mutual Information, Chi-Square ve Principal Component Analysis (PCA) gibi öznitelik seçimi yöntemleri uygulanarak üç farklı veri kümesi oluşturulmuştur. Sistem mimarisi; bir merkezî sunucu, bir API sunucusu ve birden fazla istemciden oluşmaktadır. İstemciler, verilerini paylaşmadan kendi cihazlarında yerel modelleri eğitmektedir. API sunucusu, bu yerel modelleri toplayarak merkezî sunucuya iletmektedir. Merkezî sunucu ise bu modelleri duCBA algoritması ile birleştirerek güncel küresel modeli istemcilere tekrar dağıtmaktadır. Bu çalışma, duCBA algoritmasının federe ortamlarda uygulanabilirliğini ortaya koymakla kalmayıp, yaygın olarak kullanılan Federated Averaging (FedAvg) algoritması ile performans karşılaştırmasını da içermektedir. Sonuçlar, duCBA’nın FedAvg ile benzer performans sergilediğini ve aynı zamanda Açıklanabilir Yapay Zekâ (XAI) ilkeleriyle uyumlu olarak modelin karar süreçlerini şeffaf biçimde izlemeye olanak tanıdığını göstermektedir. Farklı öznitelik seçimi yöntemleri ve istemci sayılarıyla yapılan testlerde, özellikle az sayıda istemcinin bulunduğu sistemlerde duCBA algoritmasının istikrarlı ve dengeli bir başarı sağladığı ve %67–71 arasında tutarlı doğruluk oranı elde ettiği gözlemlenmiştir.