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 in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review [2.710010611878837]
  フェデレートラーニング(FL)は、複数の医療機関が共有することなく、分散データから共同で学ぶことを可能にする。 FLの医療分野は、疾患予測、治療のカスタマイズ、臨床試験研究などの分野をカバーしている。 FLの実装は、非IIDデータ環境におけるモデル収束、通信オーバーヘッド、複数機関の協調管理など、課題を提起する。
  論文  参考訳（メタデータ） (2024-05-22T16:59:50Z)
• Integration of Federated Learning and Blockchain in Healthcare: A Tutorial [0.5592394503914488]
  このチュートリアルでは、FLとBCの統合を調査し、医療分析に対するセキュアでプライバシ保護のアプローチを提供する。 FLは、医療機関のローカルデバイス上での分散モデルトレーニングを可能にし、患者のデータをローカライズする。 BCは、改ざん防止の台帳とスマートコントラクトによって、FLで安全な協調学習のための堅牢なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-04-15T19:00:09Z)
• Generative AI-Driven Human Digital Twin in IoT-Healthcare: A Comprehensive Survey [53.691704671844406]
  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)
• PMC-VQA: Visual Instruction Tuning for Medical Visual Question Answering [56.25766322554655]
  MedVQA(Medicical Visual Question Answering)は、診断精度と医療提供を向上する重要な機会を提供する。 本稿では,事前学習した視覚エンコーダの視覚情報を大規模言語モデルに整列させることにより,医用視覚理解のための生成モデルを提案する。 PMC-VQAで提案されたモデルをトレーニングし、VQA-RAD、SLAKE、Image-Clef 2019など、複数の公開ベンチマークで微調整する。
  論文  参考訳（メタデータ） (2023-05-17T17:50:16Z)
• 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 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。