ECG不整脈検出のための適応的特徴融合ベース半教師あり連合学習システム
Adaptive feature fusion based semi-supervised federated learning system for ECG arrhythmia detection
本研究は、心電図(ECG)信号を用いた不整脈検出のための半教師あり連合学習フレームワークを提案する。プライバシーとセキュリティの懸念に対処するため、患者データを中央集権的に保存するのではなく、分散学習を行う。MIT-BIH不整脈データセットを使用し、心拍セグメントを抽出し特徴量を取得する。マルチレベル特徴抽出、適応的特徴融合、疑似ラベリングを組み合わせて、ラベル付きおよびラベルなしデータを効率的に活用する。クライアントの貢献度を考慮した重み付き連合集約アプローチにより、グローバルモデルの更新を行う。ランダムフォレスト、SVM、K近傍法、AdaBoost、勾配ブースティング、多層パーセプトロンなどの複数の機械学習および深層学習モデルを評価した結果、提案手法は半教師あり連合学習設定で96.81%の精度と0.9957のAUCを達成した。このシステムは、ラベル付きデータが限られている状況でのモデル学習を改善し、プライバシー保護された分散トレーニングを保証する。提案フレームワークは、シミュレートされた連合学習設定における不整脈検出に有効であることが示された。
- 心電図(ECG)不整脈検出のため、患者データを中央集約せず分散学習する半教師あり連合学習フレームワークを提案。マルチレベル特徴抽出・適応的特徴融合・疑似ラベリングを組み合わせ、ラベル付き/ラベルなしデータを活用。
- クライアントの貢献度を考慮した重み付き連合集約によりグローバルモデルを更新する方式を採用。
- MIT-BIH不整脈データセットで評価し、半教師あり連合学習設定で96.81%の精度とAUC 0.9957を達成。ランダムフォレスト、SVM、K近傍法、AdaBoost、勾配ブースティング、多層パーセプトロンと比較。
- 提案手法はシミュレートされた連合学習設定で有効性を確認した段階であり、実運用環境での検証は今後の課題。
ECG不整脈検出を対象に、半教師あり学習と連合学習(分散学習)を組み合わせた研究。患者データを集約せずに学習できる点は、規制の厳しい医療データ領域でプライバシー要件とAI精度を両立させる方向性を示す。96.81%の精度・AUC0.9957という数値はシミュレーション環境での結果に留まり、商用医療AIへの直接的な投資判断材料としては弱いが、連合学習+疑似ラベリングというアーキテクチャはヘルスケアAIや機密計算分野の事業者が採用しうる要素技術であり、その実用化・臨床検証の進展を継続的に注視したい。