論文の概要: The Future of Digital Health with Federated Learning

• arxiv url: http://arxiv.org/abs/2003.08119v2
• Date: Fri, 15 Jan 2021 17:53:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 13:18:04.349827
• Title: The Future of Digital Health with Federated Learning
• Title（参考訳）: 連合学習によるデジタルヘルスの未来
• Authors: Nicola Rieke, Jonny Hancox, Wenqi Li, Fausto Milletari, Holger Roth, Shadi Albarqouni, Spyridon Bakas, Mathieu N. Galtier, Bennett Landman, Klaus Maier-Hein, Sebastien Ourselin, Micah Sheller, Ronald M. Summers, Andrew Trask, Daguang Xu, Maximilian Baust, M. Jorge Cardoso
• Abstract要約: データ駆動機械学習は、医療データから正確で堅牢な統計モデルを構築するための有望なアプローチとして登場した。 既存の医療データは、主にデータサイロに置かれており、プライバシの懸念によってデータへのアクセスが制限されているため、MLによって完全に利用されていない。 本稿では、フェデレートラーニングがデジタルヘルスの未来にどのように解決策をもたらすかを考察し、対処すべき課題と考察を強調する。
• 参考スコア（独自算出の注目度）: 15.45906320465105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven Machine Learning has emerged as a promising approach for building accurate and robust statistical models from medical data, which is collected in huge volumes by modern healthcare systems. Existing medical data is not fully exploited by ML primarily because it sits in data silos and privacy concerns restrict access to this data. However, without access to sufficient data, ML will be prevented from reaching its full potential and, ultimately, from making the transition from research to clinical practice. This paper considers key factors contributing to this issue, explores how Federated Learning (FL) may provide a solution for the future of digital health and highlights the challenges and considerations that need to be addressed.
• Abstract（参考訳）: データ駆動機械学習は、医療データから正確で堅牢な統計モデルを構築するための有望なアプローチとして登場した。 既存の医療データは、主にデータサイロにあり、プライバシーに関する懸念がデータへのアクセスを制限するため、mlによって完全に悪用されていない。 しかし、十分なデータにアクセスできなければ、MLはその潜在能力を最大限に発揮できなくなり、究極的には研究から臨床への転換が妨げられる。 本稿では,この問題に寄与する重要な要因について考察し,連合学習(federated learning:fl)がデジタルヘルスの将来への解決策を提供する可能性を検討するとともに,対処すべき課題と考察を強調する。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• DAMMI:Daily Activities in a Psychologically Annotated Multi-Modal IoT dataset [10.771838327042609]
  DAMMIデータセットは、この分野の研究者を支援するように設計されている。 これには、ホームインストールされたセンサー、スマートフォンデータ、リストバンド146日以上にわたって収集された高齢者の日々の行動データが含まれている。 データ収集は、新型コロナウイルス(COVID-19)のパンデミック、正月、ラマダンの宗教月など、重要なイベントにまたがる。
  論文  参考訳（メタデータ） (2024-10-05T13:26:54Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• A Survey of Few-Shot Learning for Biomedical Time Series [3.845248204742053]
  データ駆動型モデルは、臨床診断を支援し、患者のケアを改善する大きな可能性を秘めている。 ラベル付きデータの不足を克服する新たなアプローチは、人間のような能力でAIメソッドを拡張して、少数ショット学習と呼ばれる限られた例で新しいタスクを学ぶことだ。 本調査は,生物医学的時系列アプリケーションのための数ショット学習手法の総合的なレビューと比較を行う。
  論文  参考訳（メタデータ） (2024-05-03T21:22:27Z)
• Retrieval Augmented Thought Process for Private Data Handling in Healthcare [53.89406286212502]
  Retrieval-Augmented Thought Process (RATP)を紹介する。 RATPは大規模言語モデル(LLM)の思考生成を定式化する 電子カルテのプライベートデータセットにおいて、RATPは、質問応答タスクのコンテキスト内検索強化生成と比較して35%の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-12T17:17:50Z)
• Patchwork Learning: A Paradigm Towards Integrative Analysis across Diverse Biomedical Data Sources [40.32772510980854]
  パッチワーク学習(PL)とは、異なるデータモダリティからなる異なるデータセットからの情報を統合するパラダイムである。 PLはデータのプライバシを保持しながら、補完的なデータソースの同時利用を可能にする。 本稿では、パッチワーク学習の概念とその医療における実装について紹介し、潜在的な機会と適用可能なデータソースを探求する。
  論文  参考訳（メタデータ） (2023-05-10T14:50:33Z)
• Privacy-preserving machine learning for healthcare: open challenges and future perspectives [72.43506759789861]
  医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。 プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。 このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
  論文  参考訳（メタデータ） (2023-03-27T19:20:51Z)
• Federated Learning for Medical Applications: A Taxonomy, Current Trends, Challenges, and Future Research Directions [9.662980267339375]
  我々は, acFLの医学的応用, 特にグローバル癌診断の文脈に焦点をあてる。 acFLの最近の発展により、複雑な機械学習モデルを分散的に訓練することが可能になった。
  論文  参考訳（メタデータ） (2022-08-05T21:41:15Z)
• 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)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Machine Learning in Precision Medicine to Preserve Privacy via Encryption [2.099922236065961]
  我々は,がんを予測するMLモデルの構築に使用した,暗号化(MLE)フレームワークを用いた汎用機械学習を提案する。 我々のフレームワークの予測精度は、同じデータセット上で実施された最新の研究よりもわずかに高い。 私たちは、フレームワークの設計と実装、すべてのML実験とコード、そして、無料のクラウドサービスにデプロイされた最終的な予測モデルを含む、オープンソースのリポジトリを提供しています。
  論文  参考訳（メタデータ） (2021-02-05T20:22:15Z)

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。