一项研究提出了一种用于保护隐私的心血管疾病风险预测的联邦深度学习方法，该方法整合了两个基于人群的队列：Lifelines 和鹿特丹研究。

  • 该方法结合了来自 Lifelines 的 148,230 名参与者（具有自我报告的结果）和来自鹿特丹研究的 10,155 名参与者（具有数字链接的临床结果）。
  • 使用联邦学习训练的深度生存模型比在没有联邦的情况下本地训练的模型实现了更高的预测性能。
  • 对于鹿特丹研究，C 统计量从 0.728 增加到 0.739。
  • 对于 Lifelines，C 统计量从 0.783 增加到 0.787。

这些发现表明，跨异质队列的联邦深度学习可以在保护个体患者数据隐私的同时改善心血管疾病风险预测。