FedProx steigert Herzkrankheitsvorhersage ohne Datenweitergabe – Ergebnisse

Ein neues Forschungsprojekt demonstriert, wie das Federated Proximal Optimization (FedProx)-Verfahren die Vorhersagegenauigkeit bei Herzkrankheiten verbessern kann, ohne dass sensible Patientendaten zwischen Krankenhäusern ausgetauscht werden müssen. Durch die Nutzung von Federated Learning lassen sich Modelle gemeinsam trainieren, während die Daten lokal bleiben – ein entscheidender Vorteil im Kontext von HIPAA und GDPR.

Die Studie basiert auf dem UCI Heart Disease-Datensatz und simuliert vier heterogene Krankenhaus-Clients, die jeweils unterschiedliche demografische Profile aufweisen. Durch gezielte statistische Heterogenität, die auf Alters- und Geschlechtsunterschieden beruht, werden realistische non-IID-Verteilungen erzeugt, die in der Praxis häufig auftreten.

Die Ergebnisse sind überzeugend: Mit einem proximalen Parameter von μ = 0,05 erreicht FedProx eine Genauigkeit von 85 %. Das übertrifft sowohl das zentrale Training (83,33 %) als auch die durchschnittliche Leistung isolierter lokaler Modelle (78,45 %). Diese Verbesserung erfolgt ohne dass Patientendaten zentralisiert werden.

Um die Robustheit der Methode zu prüfen, wurden 50 unabhängige Läufe durchgeführt und umfangreiche Ablationsstudien mit statistischer Validierung durchgeführt. Die Analysen zeigen, dass die proximalen Regularisierungselemente effektiv den Client‑Drift in heterogenen Umgebungen reduzieren.

Die Arbeit liefert nicht nur einen klaren Beweis für die Wirksamkeit von FedProx bei der Herzkrankheitsvorhersage, sondern bietet auch praxisnahe Leitlinien für die Implementierung in realen klinischen Netzwerken. Damit eröffnet sich ein vielversprechender Weg, diagnostische Modelle zu verbessern, während die Privatsphäre der Patienten gewahrt bleibt.