基于个性化联邦学习(PFL)的多发性硬化症残疾进展预测模型：利用真实世界临床数据的隐私保护研究

本研究针对多发性硬化症(MS)残疾进展预测的临床挑战，创新性地采用个性化联邦学习(PFL)框架，通过分析来自26,000余例患者的真实世界数据(RWD)，解决了医疗数据隐私与异质性难题。研究提出的AdaptiveDualBranchNet架构和微调策略显著提升预测性能（ROC-AUC达0.8398），为跨机构协作的精准医疗提供了可扩展解决方案，发表于《npj Digital Medicine》。

　　

多发性硬化症(MS)作为一种复杂的神经系统疾病，全球影响着280万患者，其异质性的临床表现和疾病进展模式使得精准预测残疾进展成为临床难题。传统集中式机器学习方法虽能整合多中心数据，却面临隐私法规和数据孤岛的限制；而常规联邦学习(FL)在非独立同分布(non-IID)数据下表现欠佳。这种矛盾催生了比利时KU Leuven大学STADIUS/ESAT研究中心联合Hasselt大学等机构的跨学科团队开展这项创新研究。

研究人员利用全球最大MS临床数据库MSBase的283,115条诊疗记录，首次系统评估了个性化联邦学习(PFL)在MS残疾预测中的应用。通过设计AdaptiveDualBranchNet架构（核心层共享+个性化扩展层）和微调策略，在保持数据隐私的前提下，成功克服了医疗机构间数据异质性挑战。关键技术包括：(1)基于国家分区的非IID数据模拟；(2)五种FL算法(FedAVG/FedProx等)对比；(3)动态调整模型复杂度的自适应机制；(4)ROC-AUC和AUC-PR双指标验证。

Centralized superiority in overall performance, bridged by personalized federated learning
集中式模型以ROC-AUC 0.8092领先基线FL，但PFL通过FedProx微调将性能提升至0.8375，较基线提高6.9%。AdaptiveDualBranchNet更展现7.2%的ROC-AUC增益，证实个性化策略能有效弥合集中式与联邦学习的差距。

Federated models struggle against centralized model at the client level
在国家层面分析中，PFL在11个国家表现最优，尤其在数据量中等（如比利时）的机构改善显著，ROC-AUC提升达25%，验证了其对资源不均衡医疗体系的适应性。

Performance trends in the largest data-contributing countries
在贡献82%数据的6个国家中，PFL始终优于传统FL和本地模型，如捷克共和国采用FedYogi微调后ROC-AUC达0.9222，证实该方法在主流临床场景的普适性。

这项研究开创性地将PFL引入神经退行性疾病预测领域，其价值体现在三方面：技术上，AdaptiveDualBranchNet通过参数选择性共享解决了FL的异质性问题；临床上，为MS早期干预提供了隐私安全的决策工具；方法论上，建立的评估框架（如加权平均ROC-AUC）为后续医疗FL研究树立标杆。正如作者Ashkan Pirmani等强调，该成果不仅适用于MS，其"核心层共享+个性化扩展"的设计范式可推广至其他需要跨机构协作的慢性病管理领域。研究同时指出未来方向：整合MRI等多模态数据，探索差分隐私等增强型保护技术，以及通过欧洲健康数据空间(EHDS)等平台推动临床转化。