論文の概要: Privacy-aware Early Detection of COVID-19 through Adversarial Training

• arxiv url: http://arxiv.org/abs/2201.03004v1
• Date: Sun, 9 Jan 2022 13:08:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 03:06:54.796957
• Title: Privacy-aware Early Detection of COVID-19 through Adversarial Training
• Title（参考訳）: プライバシを意識したcovid-19早期検出の試み
• Authors: Omid Rohanian, Samaneh Kouchaki, Andrew Soltan, Jenny Yang, Morteza Rohanian, Yang Yang, David Clifton
• Abstract要約: 新型コロナウイルスの早期発見は、潜在的な患者のトリアージ、モニタリング、一般的な健康評価に役立つ研究分野として進行中である。 さまざまな機械学習技術が、通常の臨床データを用いて新型コロナウイルスを検出するために文献で使用されている。 データ漏洩とこれらのモデルを使用する際の情報漏洩は、評判に悪影響を及ぼし、病院に法的問題を引き起こす可能性がある。
• 参考スコア（独自算出の注目度）: 8.722475705906206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of COVID-19 is an ongoing area of research that can help with triage, monitoring and general health assessment of potential patients and may reduce operational strain on hospitals that cope with the coronavirus pandemic. Different machine learning techniques have been used in the literature to detect coronavirus using routine clinical data (blood tests, and vital signs). Data breaches and information leakage when using these models can bring reputational damage and cause legal issues for hospitals. In spite of this, protecting healthcare models against leakage of potentially sensitive information is an understudied research area. In this work, we examine two machine learning approaches, intended to predict a patient's COVID-19 status using routinely collected and readily available clinical data. We employ adversarial training to explore robust deep learning architectures that protect attributes related to demographic information about the patients. The two models we examine in this work are intended to preserve sensitive information against adversarial attacks and information leakage. In a series of experiments using datasets from the Oxford University Hospitals, Bedfordshire Hospitals NHS Foundation Trust, University Hospitals Birmingham NHS Foundation Trust, and Portsmouth Hospitals University NHS Trust we train and test two neural networks that predict PCR test results using information from basic laboratory blood tests, and vital signs performed on a patients' arrival to hospital. We assess the level of privacy each one of the models can provide and show the efficacy and robustness of our proposed architectures against a comparable baseline. One of our main contributions is that we specifically target the development of effective COVID-19 detection models with built-in mechanisms in order to selectively protect sensitive attributes against adversarial attacks.
• Abstract（参考訳）: 新型コロナウイルスの早期発見は、潜在的な患者のトリアージ、モニタリング、一般健康評価に役立ち、新型コロナウイルスに対処する病院の手術負担を軽減できる研究分野として進行中である。 定期的な臨床データ(血液検査、バイタルサイン)を用いて、新型コロナウイルスの検出にさまざまな機械学習技術が用いられてきた。 データ漏洩とこれらのモデルを使用する際の情報漏洩は、評判にダメージを与え、病院に法的問題を引き起こす可能性がある。 それにもかかわらず、潜在的な機密情報の漏洩から医療モデルを保護することは、未調査の研究分野である。 本研究では,日常的に収集された臨床データを用いて,患者の新型コロナウイルス状況を予測するための2つの機械学習アプローチを検討する。 我々は、患者に関する人口統計情報に関連する属性を保護する強固なディープラーニングアーキテクチャを探索するために、敵対的トレーニングを用いる。 本研究で検討した2つのモデルは、敵攻撃や情報漏洩に対する機密情報を保護することを目的としている。 オックスフォード大学病院,ベッドフォードシャー病院 NHS Foundation Trust, 大学病院 Birmingham NHS Foundation Trust, ポーツマス病院 NHS Trust のデータセットを用いた一連の実験では, 基礎検査の血液検査情報と, 患者が病院に到着する際のバイタルサインを用いてPCR検査結果を予測する2つのニューラルネットワークをトレーニングし, テストしている。 それぞれのモデルが提供できるプライバシのレベルを評価し、提案するアーキテクチャが同等のベースラインに対して有効性と堅牢性を示す。 当社の主な貢献の1つは、敵の攻撃に対して敏感な属性を選択的に保護するために、組み込みメカニズムを備えた効果的なcovid-19検出モデルの開発をターゲットとしていることです。

関連論文リスト

• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• 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)
• DPCOVID: Privacy-Preserving Federated Covid-19 Detection [2.1930130356902207]
  コロナウイルス(COVID-19)は、世界経済と健康に対する有害な影響により、前例のない世界的な危機を経験している。 胸部X線画像に基づく新型コロナウイルス検出のためのプライバシ保護フェデレーション学習システムを提案する。
  論文  参考訳（メタデータ） (2021-10-26T15:09:00Z)
• Predicting COVID-19 Patient Shielding: A Comprehensive Study [3.0625089376654664]
  本研究は、新型コロナウイルス患者の遮蔽を予測することに焦点を当てる。 我々は,多ラベル分類問題として,新型コロナウイルス患者の遮蔽を予測するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-01T03:02:58Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• 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)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Evaluation of Inference Attack Models for Deep Learning on Medical Data [16.128164765752032]
  最近開発された推論攻撃アルゴリズムは、画像とテキスト記録を悪意ある当事者によって再構成可能であることを示している。 これにより、機密性の高い患者情報を含む医療画像と電子健康記録がこれらの攻撃に対して脆弱であるという懸念が生じる。 本稿では,この重要な問題に対して,医学的深層学習コミュニティの研究者の関心を惹きつけることを目的とする。
  論文  参考訳（メタデータ） (2020-10-31T03:18:36Z)
• Blockchain-Federated-Learning and Deep Learning Models for COVID-19 detection using CT Imaging [8.280858576611587]
  新型コロナウイルスの患者を診断する主な問題は、検査キットの不足と信頼性である。 第2の現実の問題は、世界中の病院間でデータを共有することだ。 第3に,ブロックチェーン技術を用いてグローバルモデルを協調的にトレーニングする手法を設計する。
  論文  参考訳（メタデータ） (2020-07-10T11:23:14Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。