論文の概要: Federated Learning in Multi-Center Critical Care Research: A Systematic Case Study using the eICU Database

• arxiv url: http://arxiv.org/abs/2204.09328v1
• Date: Wed, 20 Apr 2022 09:03:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 20:50:11.221203
• Title: Federated Learning in Multi-Center Critical Care Research: A Systematic Case Study using the eICU Database
• Title（参考訳）: 多施設クリティカルケア研究における連合学習--eicuデータベースを用いた体系的ケーススタディ
• Authors: Arash Mehrjou, Ashkan Soleymani, Annika Buchholz, J\"urgen Hetzel, Patrick Schwab, Stefan Bauer
• Abstract要約: データを交換することなく、異なるユニットでモデルを訓練する方法として、フェデレートラーニング(FL)が提案されている。 FLが利用可能なeICUデータセットに与える影響について検討し,各ICU滞在の生存率を予測する。
• 参考スコア（独自算出の注目度）: 24.31499341763427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) has been proposed as a method to train a model on different units without exchanging data. This offers great opportunities in the healthcare sector, where large datasets are available but cannot be shared to ensure patient privacy. We systematically investigate the effectiveness of FL on the publicly available eICU dataset for predicting the survival of each ICU stay. We employ Federated Averaging as the main practical algorithm for FL and show how its performance changes by altering three key hyper-parameters, taking into account that clients can significantly vary in size. We find that in many settings, a large number of local training epochs improves the performance while at the same time reducing communication costs. Furthermore, we outline in which settings it is possible to have only a low number of hospitals participating in each federated update round. When many hospitals with low patient counts are involved, the effect of overfitting can be avoided by decreasing the batchsize. This study thus contributes toward identifying suitable settings for running distributed algorithms such as FL on clinical datasets.
• Abstract（参考訳）: フェデレーション学習 (federated learning, fl) は、データを交換することなく異なる単位でモデルを訓練する方法として提案されている。 これは、大きなデータセットが利用可能だが患者のプライバシーを確保するために共有できない医療分野において、大きな機会を提供する。 FLが利用可能なeICUデータセットに与える影響を系統的に検討し,各ICU滞在の生存率を予測する。 我々は,flの主な実用的アルゴリズムとしてフェデレート平均化(federated averaging)を採用し,クライアントのサイズが著しく変化することを考慮し,その性能変化を示す。 多くの環境では、多くのローカルトレーニングエポックが、通信コストを削減しつつ、性能を改善していることがわかった。 さらに,各連携更新ラウンドに参加する病院の数が少なかった場合の状況について概説する。 患者数が少ない病院が多い場合、バッチサイズを小さくすることでオーバーフィッティングの効果を回避できる。 本研究は,臨床データセット上でのflなどの分散アルゴリズムの実行に適した設定の同定に寄与する。

関連論文リスト

• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• Leveraging Federated Learning for Automatic Detection of Clopidogrel Treatment Failures [0.8132630541462695]
  本研究では,クロピドッグレル処理障害検出のためのフェデレーション学習戦略を活用する。 地理的中心に基づいてデータを分割し,フェデレート学習の性能を評価した。 クロピドッグレル治療障害検出におけるフェデレート学習の可能性について検討した。
  論文  参考訳（メタデータ） (2024-03-05T23:31:07Z)
• Privacy-preserving patient clustering for personalized federated learning [0.0]
  Federated Learning(FL)は、複数の組織が中央サーバーとデータを共有せずにモデルをトレーニングできる機械学習フレームワークである。 これは、患者数の変動が病院間での分布の差異に大きく寄与する医療環境における問題である。 プライバシ保護のためのコミュニティベースフェデレーション機械学習(PCBFL)を提案する。
  論文  参考訳（メタデータ） (2023-07-17T21:19:08Z)
• FLICU: A Federated Learning Workflow for Intensive Care Unit Mortality Prediction [4.16749898760461]
  医療データは敏感で、厳格なプライバシー慣行を必要とし、典型的にはデータサイロに保存される。 フェデレーション学習は、データサイロ上で機械学習モデルをトレーニングすることで、これらの制限を対処することができる。 本研究はICU死亡予測のための連合学習ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-05-30T13:45:56Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Federated Contrastive Learning for Volumetric Medical Image Segmentation [16.3860181959878]
  フェデレートラーニング(FL)は、プライバシのためのトレーニングデータをローカルに保持しながら、共有モデルを学ぶことで、この点において役立つ。 従来のFLはトレーニングのために完全にラベル付けされたデータを必要とする。 そこで本研究では,アノテーションを限定したボリューム・メディカル・イメージ・セグメンテーションのためのFCLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-23T03:47:23Z)
• 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)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• 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)

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。