Evaluation von verteilten Algorithmen zur Diabeteserkennung unter Beachtung des Datenschutzes

Abstract

Im Rahmen modernster Biologie und zeitgemäßen Gesundheitssystemen werden riesige Datenmengen gebündelt, um mit Hilfe eines vielversprechenden Ansatzes, namentlich dem sogenannten Tiefen Lernen, genaue statistische Modelle zu erstellen. Hierfür hat sich Letzteres als hervorragender Mechanismus zur Lösung bioinformatischer Probleme erwiesen. Umso beachtlicher ist die Tatsache, dass die vorhandenen medizinischen Daten nicht in vollem Umfang genutzt werden, was sich einerseits dadurch erklären lässt, dass sie sich in Datenzentren befinden, andererseits stehen diesem Vorgang jedoch ferner datenschutzrechtliche Hindernisse im Weg. Ohne einen Zugang zu den Daten ist es jedoch unmöglich, den Übergang von der Forschung zur klinischen Praxis zu schaffen. Föderales Lernen hilft nicht nur dabei, den maschinellen Lernalgorithmus zu trainieren, sondern auch die Daten auf der Geräteebene zu halten. Namentlich bedeutet dies, dass Föderales Lernen es einem jeden Gerät ermöglicht, seine eigenen privaten und lokalen Daten zu speichern. Forschungsergebnisse belegen, dass mit föderierten Lernalgorithmen trainierte Modelle einerseits ein vergleichbares Leistungsniveau erreichen können wie solche, die auf zentral verwalteten Datensätzen trainiert werden. Andererseits sind ebenjene - mit föderierten Lernalgorithmen trainierte - Modelle solchen, die nur isolierte Daten einer einzelnen Einrichtung sehen, überlegen. Die vorliegende Arbeit befasst sich diesbezüglich mit zentralisierten und föderierten Algorithmen und ihrer Wirksamkeit bei der Verarbeitung eines Datensatzes.