用于估计异质治疗效果的联邦学习
内容提要
本文综述数据驱动的异质性治疗效应估计方法，包括反事实预测、直接因果效应估计和结构因果模型，并开展实证评估。研究提出特征选择与因果结构学习方法以降低估计误差，结合联邦学习与差分隐私实现多机构隐私保护下的平均治疗效应估计，并提出HyperCATE、Fed-ET等框架提升CATE估计与泛化能力。
延伸解读
联邦学习在医疗隐私保护中的角色
文章指出，联邦学习机制允许在本地机构保留敏感数据，同时在中央服务器上训练共享全球模型，从而改进卫生保健数据的隐私保护和数据分析。这有助于解决医疗数据碎片化和保密性问题，使得多机构合作成为可能，而无需直接共享原始数据。
HyperCATE框架的创新与优势
HyperCATE是一种基于深度学习的框架，通过软权重共享的超网络实现不同处理组之间的动态端到端信息共享。它解决了现有CATE学习者在训练时需要将数据拆分为潜在结果函数的问题，并增加了不确定性感知能力。实验表明，该框架通过反事实推理改进了CATE估计误差，对较小数据集的效果更加显著。
Fed-ET方法在异构数据下的泛化能力
Fed-ET是一种新的合奏知识转移方法，采用加权一致性蒸馏方案，利用各服务器的高度异构数据提取可靠的共识，并通过合奏中的多样性改善泛化能力。在图像和语言任务中，Fed-ET在通信参数较少的情况下明显优于其他最先进的联邦学习算法，并且对于高数据异构性也是强健的。
联邦学习框架在转录组数据上的验证
通过比较实验，研究测试了TensorFlow Federated和Flower两个联邦学习框架在训练疾病预后和细胞类型分类模型上的性能。验证了这两个框架可以在转录组数据上构建模型，而无需将个人原始数据传输给具有丰富计算资源的第三方，为隐私保护下的医疗数据分析提供了可行方案。
Q&A
异质性治疗效应估计有哪些主要的数据驱动方法？
主要分为三类：基于反事实预测的方法、直接估计因果效应的方法，以及从数据中学习模型结构的结构因果模型方法。
联邦学习如何帮助解决医疗数据隐私和碎片化问题？
联邦学习允许在本地机构保留敏感数据，同时在中央服务器上训练共享的全局模型，从而改进隐私保护并整合碎片化的医疗数据进行分析。
Fed-ET 方法有什么特点？
Fed-ET 是一种集成知识转移方法，采用加权一致性蒸馏方案，利用服务器间高度异构的数据提取可靠共识，并通过集成多样性改善泛化能力。在图像和语言任务中，通信参数较少时明显优于其他最先进的联邦学习算法，且对高数据异构性具有强健性。
HyperCATE 是什么？它解决了什么问题？
HyperCATE 是一种基于深度学习的框架，通过软权重共享的超网络实现不同处理组之间的动态端到端信息共享，解决了现有 CATE 学习者在训练时需要将数据拆分为潜在结果函数的问题。实验表明，该框架通过反事实推理改进了 CATE 估计误差，对较小数据集效果更显著。
联邦学习在转录组数据上构建模型的效果如何？
通过比较 TensorFlow Federated 和 Flower 两个联邦学习框架，验证了它们可以在转录组数据上构建疾病预后和细胞类型分类模型，而无需将个人原始数据传输给第三方。
联邦学习在医学概念嵌入学习中的表现如何？
基于联邦学习的医学概念嵌入学习方法使用 MIMIC-IV 数据集比较了中心化学习和联邦学习的表现，发现联邦学习可以达到与中心化学习相近的性能，并且在平均精度上优于本地模型。同时，预训练掩码语言模型可以提高下一次就诊预测任务的性能。
