Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach

新被诊断为1型糖尿病（T1D）的患者通常难以获得有效的血糖（BG）预测模型，因为缺乏来自连续葡萄糖监测（CGM）的足够BG数据，这在患者护理中呈现出重大的“冷启动”问题。利用人群模型来解决这个问题是一个潜在的解决方案，但以注重隐私保护的方式收集患者数据以训练人群模型是具有挑战性的，特别是考虑到这些数据通常存储在个人设备上。考虑到隐私保护和解决糖尿病护理中的“冷启动”问题，我们提出了“GluADFL”，即通过异步去中心化联邦学习进行血糖预测。我们使用四个不同的T1D数据集（包括298名参与者）将GluADFL与八种基线方法进行比较，证明了它在准确预测跨患者分析的BG水平方面的卓越性能。此外，GluADFL中的患者数据可以存储和共享在各种通信网络中，从高度互连的网络（例如，随机网络，表现最佳）到更结构化的拓扑结构（例如，集群和环），适用于各种社交网络。异步训练框架支持灵活的参与。通过调整非活动参与者的比例，我们发现如果不到70％的参与者处于非活动状态，它仍然保持稳定。我们的结果证实，GluADFL提供了一种实用的、保护隐私的T1D BG预测解决方案，显著提高了糖尿病管理的质量。

解决新诊断的T1D患者缺乏足够BG数据以建立有效的血糖预测模型的问题，提出了使用异步去中心化联邦学习的解决方案

使用异步去中心化联邦学习来训练人群模型，以解决T1D患者的"冷启动"问题，并保护患者的隐私

在四个T1D数据集上比较了GluADFL与八种基线方法的性能，证明了GluADFL在交叉患者分析中准确预测BG水平的优越性。异步训练框架支持灵活的参与，并且在少于70%的非活跃参与者的情况下仍保持稳定。

最近的相关研究包括"Privacy-Preserving Federated Brain Tumor Segmentation"和"Federated Learning for Healthcare Informatics"等