論文の概要: Federated Learning for Smart Healthcare: A Survey
- arxiv url: http://arxiv.org/abs/2111.08834v1
- Date: Tue, 16 Nov 2021 23:34:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 00:13:22.877298
- Title: Federated Learning for Smart Healthcare: A Survey
- Title(参考訳): スマートヘルスケアのための連合学習:調査
- Authors: Dinh C. Nguyen, Quoc-Viet Pham, Pubudu N. Pathirana, Ming Ding, Aruna
Seneviratne, Zihuai Lin, Octavia A. Dobre, Won-Joo Hwang
- Abstract要約: 新たな分散コラボレーティブAIパラダイムとしてのフェデレートラーニング(FL)は、スマートヘルスケアにとって特に魅力的なものだ。
スマートヘルスケアにおけるFLの最近の進歩、モチベーション、FLの使用要件について述べる。
本稿では、保健データ管理、リモートヘルスモニタリング、医療画像、COVID-19検出など、主要な医療分野におけるFLの新たな応用についてレビューする。
- 参考スコア(独自算出の注目度): 39.68559637397757
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in communication technologies and Internet-of-Medical-Things
have transformed smart healthcare enabled by artificial intelligence (AI).
Traditionally, AI techniques require centralized data collection and processing
that may be infeasible in realistic healthcare scenarios due to the high
scalability of modern healthcare networks and growing data privacy concerns.
Federated Learning (FL), as an emerging distributed collaborative AI paradigm,
is particularly attractive for smart healthcare, by coordinating multiple
clients (e.g., hospitals) to perform AI training without sharing raw data.
Accordingly, we provide a comprehensive survey on the use of FL in smart
healthcare. First, we present the recent advances in FL, the motivations, and
the requirements of using FL in smart healthcare. The recent FL designs for
smart healthcare are then discussed, ranging from resource-aware FL, secure and
privacy-aware FL to incentive FL and personalized FL. Subsequently, we provide
a state-of-the-art review on the emerging applications of FL in key healthcare
domains, including health data management, remote health monitoring, medical
imaging, and COVID-19 detection. Several recent FL-based smart healthcare
projects are analyzed, and the key lessons learned from the survey are also
highlighted. Finally, we discuss interesting research challenges and possible
directions for future FL research in smart healthcare.
- Abstract(参考訳): 近年の通信技術と医療のインターネットは、人工知能(AI)によって実現されたスマートヘルスケアを変革している。
従来、AI技術は、現代の医療ネットワークのスケーラビリティの高さとデータプライバシの懸念の増加により、現実的な医療シナリオでは実現不可能な、集中的なデータ収集と処理を必要とする。
新たな分散コラボレーションAIパラダイムであるフェデレートラーニング(FL)は、複数のクライアント(例えば病院)をコーディネートして、生データを共有せずにAIトレーニングを実行することで、スマートヘルスケアにとって特に魅力的なものだ。
したがって、スマートヘルスケアにおけるFLの使用に関する総合的な調査を提供する。
まず、FLの最近の進歩、モチベーション、およびスマートヘルスケアにおけるFLの使用要件について述べる。
次に、最近のスマートヘルスケアのためのfl設計について論じ、リソースアウェアfl、セキュアでプライバシアウェアfl、インセンティブfl、パーソナライズflなどについて論じる。
続いて、健康データ管理、リモートヘルスモニタリング、医療画像、COVID-19検出など、主要な医療領域におけるFLの新たな応用について、最先端のレビューを行う。
最近のFLベースのスマートヘルスケアプロジェクトを分析し、調査から学んだ重要な教訓も強調されている。
最後に、スマートヘルスケアにおける今後のFL研究の課題と可能性について論じる。
関連論文リスト
- Federated Learning Priorities Under the European Union Artificial
Intelligence Act [68.44894319552114]
我々は、AI法がフェデレートラーニングに与える影響について、第一種学際分析(法とML)を行う。
データガバナンスの問題とプライバシに関する懸念について検討する。
最も注目すべきは、データのバイアスを防御し、プライベートでセキュアな計算を強化する機会である。
論文 参考訳(メタデータ) (2024-02-05T19:52:19Z) - Generative AI-Driven Human Digital Twin in IoT-Healthcare: A
Comprehensive Survey [56.89257974393749]
IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。
ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。
HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。
最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
論文 参考訳(メタデータ) (2024-01-22T03:17:41Z) - Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳(メタデータ) (2023-12-07T20:39:57Z) - Multimodal Federated Learning in Healthcare: a Review [5.983768682145731]
フェデレートラーニング(FL)は、データを統合する必要のない分散メカニズムを提供する。
本稿では,医療分野におけるマルチモーダル・フェデレート・ラーニング(MMFL)の現状について概説する。
最先端のAI技術と、医療アプリケーションにおける患者のデータプライバシの必要性のギャップを埋めることを目指している。
論文 参考訳(メタデータ) (2023-10-14T19:43:06Z) - A Survey on Federated Learning for the Healthcare Metaverse: Concepts,
Applications, Challenges, and Future Directions [14.1427616718447]
人工知能(AI)の新しい部門であるフェデレーション・ラーニング(FL)は、医療システムのプライバシー問題に対処する機会を開放する。
我々は、IoTベースの医療システム、従来の医療におけるFL、Metaverseヘルスケアについて概説する。
FL型メタバース医療の応用として, 診断, 患者モニタリング, 医療教育, 感染症, 薬物発見について検討した。
論文 参考訳(メタデータ) (2023-04-02T12:29:55Z) - 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) - Federated Learning: Applications, Challenges and Future Scopes [1.3190581566723918]
フェデレーション・ラーニング(Federated Learning, FL)とは、複数のクライアントが機械学習の問題を解決するために、中心的なアグリゲータが協調するシステムである。
FLは無線通信、サービスレコメンデーション、インテリジェント医療診断システム、医療に応用されている。
論文 参考訳(メタデータ) (2022-05-18T10:47:09Z) - Federated Learning for Privacy Preservation in Smart Healthcare Systems:
A Comprehensive Survey [6.824747267214373]
プライバシー保護のためのIoMTネットワークにおけるFLの役割について述べる。
本稿では、プライバシーの脅威を検出するために、深層強化学習(DRL)、デジタルツイン、GAN(Generative Adversarial Network)を取り入れた高度なFLアーキテクチャを紹介する。
論文 参考訳(メタデータ) (2022-03-18T02:32:05Z) - MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence
using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。
MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文 参考訳(メタデータ) (2021-09-29T18:09:41Z) - Interpretable Multi-Step Reasoning with Knowledge Extraction on Complex
Healthcare Question Answering [89.76059961309453]
HeadQAデータセットには、公衆医療専門試験で認可された複数の選択質問が含まれている。
これらの質問は、現在のQAシステムにとって最も難しいものです。
知識抽出フレームワーク(MurKe)を用いた多段階推論を提案する。
市販の事前訓練モデルを完全に活用しようと努力しています。
論文 参考訳(メタデータ) (2020-08-06T02:47:46Z)
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。