透析合併症予測のためのデュアルレイヤーPSO強化型連合異種データフュージョン
Dual-Layer PSO-Enhanced Federated Heterogeneous Data Fusion for Hemodialysis Complication Prediction
台湾は透析の有病率が世界でも高い国の一つであり、安全で信頼性の高い血液透析モニタリングは重要なヘルスケア課題となっている。現代の血液透析装置は、圧力、流量、導電率、温度、心血管信号などの異種マルチモーダルセンサーを統合しているが、装置ブランド、データ形式、プライバシー制約の違いが、集中学習と堅牢な合併症予測を妨げている。本研究では、Medical IoT指向の連合学習フレームワーク「PSOFed-HD」を提案し、デュアルレイヤー粒子群最適化(PSO)を用いて異種センサーフュージョンを強化し、透析関連の低血圧および不快イベントを予測する。イベントは、収縮期血圧が90 mmHg未満と定義される異常血圧状態として定義される。各血液透析装置は、FLクライアントとして機能するエッジゲートウェイとペアリングされ、ローカルPSOが非IIDセンサーサブセット上でCNN特徴量を最適化し、中央サーバーはPSO駆動型集約を適用して検証パフォーマンスに応じてクライアントモデルを適応的に重み付けする。17の一般的なHD生理学的特徴を持つ実世界の血液透析データセットでの実験では、標準的なFedAvgの精度が65.24%、F1スコアが0.5318であったのに対し、サーバーサイドPSOは精度を75.11%に向上させ、クライアントサイドPSOはさらに精度を81.97%に引き上げた。提案されたデュアルレイヤーPSOフレームワークは、精度90.56%、F1スコア0.8533、優れたROC特性(AUC = 0.908)、および11フォールドにわたる安定したクロスバリデーションで最高のパフォーマンスを達成した。SCAFFOLDやFedProxなどの最先端の連合学習技術も、同じ異種HDデータセットを使用して調査された。パフォーマンスは、クライアントのみのPSO技術に近く、デュアルレイヤーPSOアーキテクチャの利点を証明している。これらの結果は、ローカル特徴表現とグローバル集約重みの共同最適化が、プライバシー保護されたMedical IoT制約下での異種血液透析センサーデータの効果的なフュージョンを可能にし、透析ユニットでのリアルタイム合併症予測のための実用的な意思決定支援アプローチを提供することを確認している。将来の研究では、LSTMやTransformerアーキテクチャなどの時間モデルを組み込み、早期イベント予測を実現する予定である。
本稿は医療IoT向け連合学習フレームワークPSOFed-HDに関する学術研究であり、具体的な製品化や企業の事業発表、調達、規制動向といった投資判断に直結する事象は含まれていない。技術的には連合学習と粒子群最適化を組み合わせたアプローチで、血液透析の合併症予測精度を向上させた点は興味深いが、実証段階の研究であり、商業化や市場への影響を示す情報は乏しい。AIヘルスケア分野の研究動向としてモニタリングする価値はあるが、現時点で投資判断を左右する具体的事象ではない。