Fugu-MT 論文翻訳(概要): Split Learning for collaborative deep learning in healthcare

論文の概要: Split Learning for collaborative deep learning in healthcare

arxiv url: http://arxiv.org/abs/1912.12115v1
Date: Fri, 27 Dec 2019 14:39:58 GMT
ステータス: 処理完了
システム内更新日: 2023-06-09 23:36:51.232337
Title: Split Learning for collaborative deep learning in healthcare
Title（参考訳）: 医療における協調的深層学習のための分割学習
Authors: Maarten G.Poirot, Praneeth Vepakomma, Ken Chang, Jayashree Kalpathy-Cramer, Rajiv Gupta, Ramesh Raskar
Abstract要約: ラベル付きデータの不足は、ヘルスケアの深層学習の急増を支えている。我々は,この分散学習手法を医学分野で初めて適用し,分割学習アプローチを提唱する。
参考スコア（独自算出の注目度）: 12.128894212674917
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Shortage of labeled data has been holding the surge of deep learning in healthcare back, as sample sizes are often small, patient information cannot be shared openly, and multi-center collaborative studies are a burden to set up. Distributed machine learning methods promise to mitigate these problems. We argue for a split learning based approach and apply this distributed learning method for the first time in the medical field to compare performance against (1) centrally hosted and (2) non collaborative configurations for a range of participants. Two medical deep learning tasks are used to compare split learning to conventional single and multi center approaches: a binary classification problem of a data set of 9000 fundus photos, and multi-label classification problem of a data set of 156,535 chest X-rays. The several distributed learning setups are compared for a range of 1-50 distributed participants. Performance of the split learning configuration remained constant for any number of clients compared to a single center study, showing a marked difference compared to the non collaborative configuration after 2 clients (p < 0.001) for both sets. Our results affirm the benefits of collaborative training of deep neural networks in health care. Our work proves the significant benefit of distributed learning in healthcare, and paves the way for future real-world implementations.
Abstract（参考訳）: ラベル付きデータの不足は、サンプルサイズが小さく、患者情報をオープンに共有できないことが多く、多施設共同研究がセットアップの負担となっているため、医療分野でのディープラーニングの急増を維持している。分散機械学習手法はこれらの問題を緩和することを約束する。我々は,この分散学習手法を医学分野で初めて適用し,(1)集中ホスト型,(2)非協調型構成の比較を行った。 2つの医学的深層学習タスクは、従来の単一および多中心のアプローチと比較するために用いられ、9000枚の写真集合のバイナリ分類問題と156,535個の胸部X線集合のマルチラベル分類問題である。いくつかの分散学習セットアップは、1～50人の分散参加者で比較される。分割学習構成の性能は, 単一中心研究と比較して一定であり, 2つのクライアント (p < 0.001) 以降の非協調的構成と有意な差を示した。本結果は,ディープニューラルネットワークの医療における協調トレーニングのメリットを裏付けるものである。私たちの研究は、ヘルスケアにおける分散学習の大きなメリットを証明し、将来の現実的な実装の道を開くものです。

関連論文リスト

Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency [10.16245019262119]
フェデレートラーニングは、ローカルデータ交換なしで、分離されたクライアントの共有モデルをトレーニングすることを目的としている。本研究では,医用画像セグメンテーションのための新しい半教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-19T12:52:38Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Benchmarking Collaborative Learning Methods Cost-Effectiveness for Prostate Segmentation [39.19170617818745]
我々は,MRIによる前立腺分節化問題に協調的なシナリオで対処する。私たちの知る限りでは、コラボレーティブラーニングの問題を解決するためにコンセンサスベースの手法(CBM)が使用されるのはこれが初めてです。
論文参考訳（メタデータ） (2023-09-29T09:47:18Z)
Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2022-06-27T06:51:48Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文参考訳（メタデータ） (2022-02-08T10:03:24Z)
SplitAVG: A heterogeneity-aware federated deep learning method for medical imaging [29.271291030933966]
フェデレートラーニング(Federated Learning)は、患者データを共有することなく、ディープラーニングモデルを協調的にトレーニングするための、新たな研究パラダイムである。本研究では,フェデレーション学習におけるデータの不均一性から得られる性能低下を克服する,新しいヘテロジニアス対応フェデレーション学習手法であるSplitAVGを提案する。本研究では,SplitAVGを7つの最先端のフェデレーション学習手法と比較する。
論文参考訳（メタデータ） (2021-07-06T03:58:10Z)
Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文参考訳（メタデータ） (2021-06-16T07:58:00Z)
Dual-Task Mutual Learning for Semi-Supervised Medical Image Segmentation [12.940103904327655]
半監督医療画像分割のための新しいデュアルタスク相互学習フレームワークを提案する。我々のフレームワークは、2つのタスクに基づく2つの個別セグメンテーションネットワークの統合として定式化できる。対象のセグメンテーション確率マップと符号付き距離マップを共同で学習することで,幾何学的形状制約を強制し,より信頼性の高い情報を得ることができる。
論文参考訳（メタデータ） (2021-03-08T12:38:23Z)
CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint Identification and Severity Quantification [45.86448200141968]
感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
論文参考訳（メタデータ） (2020-06-02T08:05:06Z)
Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。感染発生率の低減に向けた意思決定を支援することを目的とする。
論文参考訳（メタデータ） (2020-05-07T16:13:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。