基于联邦学习的癌症生存预测新方法：ADFed框架的隐私保护与性能突破
作者及发表信息
本研究的通讯作者为安徽农业大学信息与人工智能学院的Qingyong Wang，合作团队来自佛山大学数学与大数据学院（Hua Chai、Yiqian Huang等）及安徽农业大学的农业信息感知与智能计算省级工程研究中心。研究成果发表于Elsevier旗下开放获取期刊*Heliyon*（2024年5月23日在线发布，卷10，文章编号e31873），遵循CC BY-NC-ND 4.0许可协议。
学术背景与研究目标
癌症生存预测是精准医疗的核心目标之一，但传统方法面临两大挑战：
1. 数据碎片化与隐私问题：患者数据分散于不同机构，受《通用数据保护条例》（GDPR）等法规限制，直接共享敏感医疗数据存在法律与伦理风险。
2. 模型性能与可解释性：现有联邦学习（Federated Learning, FDL）方法（如FedAvg、FedProx）依赖中心化服务器，可能引入数据控制偏差，且缺乏对关键生物标志物（如癌症相关基因）的识别能力。
为此，研究团队提出自适应去中心化联邦学习框架（ADFed），旨在通过去中心化架构与正则化方法，实现跨机构数据的安全整合，同时提升预测准确性与基因特征选择的生物学意义。
研究方法与流程
1. 数据收集与预处理
- 数据来源：从TCGA和GEO数据库获取4类癌症（结肠癌、头颈鳞癌、肝癌、卵巢癌）的基因表达数据，样本量总计2764例（如结肠癌603例、肝癌733例）。
- 预处理：基因表达数据经对数转换、中位数填充缺失值，使用R包“limma”校正批次效应。患者按3年生存期分为高风险/低风险组。
2. ADFed框架设计
- 去中心化架构：摒弃传统中心服务器，采用点对点（P2P）通信，各客户端（医疗机构）轮流担任参数聚合节点，通过同步/异步模式更新模型（图1）。
- 隐私保护机制：
- 数据匿名化：去除个人标识符，采用假名化技术。
- 加密传输：使用安全协议交换模型参数，避免原始数据泄露。
- 双正则化特征选择：
- 客户端采用L2正则化（平滑聚合），服务器端采用L1正则化（生成稀疏基因权重）。
- 关键基因筛选公式：( S(q,k) = |w_k(q)|^2 )，其中( w_k(q) )为第k个客户端的第q个基因权重。
3. 模型优化与验证
- 超参数调优：通过5折交叉验证选择学习率（1e−1至1e−5）、批次大小（32-128）、训练轮次（1000-10000）。
- 对比方法：包括随机森林（RF）、XGBoost、支持向量机（SVM）及联邦学习方法FedProx、FedAvg。
- 评估指标：准确率（ACC）、AUC值、F1分数。
主要研究结果
1. 预测性能优势
ADFed在四类癌症中均表现最佳（表3）：
- AUC提升：平均AUC达0.588，较FedAvg（0.578）和FedProx（0.518）显著提高，其中肝癌预测AUC为0.576（FedAvg为0.565）。
- 稳定性：在结肠癌数据中，ADFed的ACC（0.715）和F1分数（0.744）均高于其他方法（如FedAvg ACC=0.708）。
2. 生物标志物发现
- 关键基因鉴定：ADFed结合加权基因共表达网络分析（WGCNA）筛选出51个肝癌相关基因（图4）。
- 已验证基因：如*CYP1A2*（肝药代谢关键酶）、*CYP2E1*（与肝癌进展相关）均被文献支持（表4）。
- 新候选基因：如*MOXD1*在胶质瘤中促凋亡，ADFed首次提示其与肝癌的潜在关联。
- 通路富集：PI3K-AKT、RAS-MAPK等癌症经典通路被显著富集（图4d），验证了结果的生物学合理性。
结论与价值
1. 科学价值：
- 提出首个结合去中心化联邦学习与双正则化的癌症预测框架，解决了数据隐私与模型性能的平衡问题。
- 通过可解释特征选择，为癌症机制研究提供了新靶点（如*OXT*在肝癌中的潜在作用）。
局限性：
- 未涵盖影像数据整合，未来需扩展多模态分析。
- 基因特征维度需预先统一，可能损失部分异质性信息。
研究亮点
1. 技术创新：
- 去中心化联邦学习架构降低单点故障风险，增强数据主权控制。
- L1/L2正则化联合应用提升基因选择的稀疏性与解释性。
本研究通过严谨的实验设计与生物验证，为癌症预后研究提供了兼具隐私安全性与科学严谨性的新工具。