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
- Towards Smart Healthcare: Challenges and Opportunities in IoT and ML [0.0]
新型コロナウイルス(COVID-19)のパンデミックや他の健康危機は、世界中の医療サービスを促進する必要性を浮き彫りにした。
この章は、IoTヘルスケアセクターに機械学習メソッドを統合する際に直面するハードルを探求することに焦点を当てている。
現在の研究課題と潜在的な機会を包括的にまとめ、三つのシナリオに分類する。
論文 参考訳(メタデータ) (2023-12-09T10:45:44Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - 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) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳(メタデータ) (2022-09-21T12:30:05Z) - ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug
Discovery [79.08833067391093]
現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。
ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。
ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
論文 参考訳(メタデータ) (2022-09-16T13:35:57Z) - 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) - A highly scalable repository of waveform and vital signs data from
bedside monitoring devices [0.0]
機械学習は、患者バイタルのような様々な種類の信号データに対する研究コミュニティの欲求を喚起している。
医療システムは大量のデータの大量処理には適していない。
我々は,患者を夜間に,オンプレミスのバイオメディカルシステムから永久アーカイブとしてクラウドストレージの場所まで,患者のバイタルデータを同期するソリューションを開発した。
論文 参考訳(メタデータ) (2021-06-07T20:59:58Z) - 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。