低コストのマイクロコンピュータを用いた二次医療のためのスケーラブルなフェデレーテッドラーニングソリューション：プライバシーを保護したCOVID-19スクリーニングテストの開発と評価
カテゴリ：災害・救急医療
公開日：2026年2月19日
タイトル：A scalable federated learning solution for secondary care using low-cost microcomputing: privacy-preserving development and evaluation of a COVID-19 screening test in UK hospitals.
雑誌名：Lancet Digit Health. 2024 Feb; 6(2): e93-e104.
概 要：
本研究は、COVID-19スクリーニングテストのフェデレーテッドラーニングを用いた開発を行い、患者データを中央集権化せずに4つの英国の病院グループで機械学習モデルを訓練・評価することを目的としています。研究では、ラズベリーパイを用いた簡易な埋め込みシステムを導入し、150ラウンドの訓練を通じて、COVID-19の状態を予測する深層ニューラルネットワークを構築しました。結果として、モデルの性能が向上し、一般化可能な結果が得られました。
方 法：
本研究は、4つの英国の国民保健サービス（NHS）病院グループにラズベリーパイを供給し、フェデレーテッドラーニングソフトウェアを用いて深層ニューラルネットワークを訓練しました。データは2018年12月1日から2021年3月1日まで収集され、主な評価指標は受信者動作特性曲線の下の面積（AUROC）でした。
結 果：
130,941人の患者からの臨床データを用いてフェデレーテッドトレーニングを行い、AUROCはOUHで0.872、PUHで0.876に改善されました。外部評価では、AUROCは0.917で、感度は89.7%、特異度は76.6%でした。サイト固有の調整は性能向上に寄与しませんでした。
結 論：
本研究により、マイクロコンピューティングを用いたフェデレーテッドラーニングの埋め込みシステムが開発され、患者データを中央集権化せずにCOVID-19スクリーニングテストの性能が向上しました。このアプローチは、低コストで専門的な技術が不要なAI開発を可能にします。