論文の概要: Federated Learning for Medical Applications: A Taxonomy, Current Trends,
and Research Challenges
- arxiv url: http://arxiv.org/abs/2208.03392v1
- Date: Fri, 5 Aug 2022 21:41:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 12:49:38.435347
- Title: Federated Learning for Medical Applications: A Taxonomy, Current Trends,
and Research Challenges
- Title(参考訳): 医学応用のための連合学習--分類学・最近の動向・研究課題
- Authors: Ashish Rauniyar, Desta Haileselassie Hagos, Debesh Jha, Jan Erik
H{\aa}keg{\aa}rd, Ulas Bagci, Danda B. Rawat, and Vladimir Vlassov
- Abstract要約: データ駆動型医療アプリケーションは、医療データから信頼性がありスケーラブルな診断および予後モデルを設計するための有望なツールとして登場した。
しかしながら、これらのAIベースの医療アプリケーションは、厳格なセキュリティ、プライバシ、およびサービス標準の品質を満たすことの難しさから、いまだ採用されていない。
連邦学習(FL)の最近の進歩により、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。
- 参考スコア(独自算出の注目度): 9.860369380959543
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advent of the IoT, AI, and ML/DL algorithms, the data-driven medical
application has emerged as a promising tool for designing reliable and scalable
diagnostic and prognostic models from medical data. This has attracted a great
deal of attention from academia to industry in recent years. This has
undoubtedly improved the quality of healthcare delivery. However, these
AI-based medical applications still have poor adoption due to their
difficulties in satisfying strict security, privacy, and quality of service
standards (such as low latency). Moreover, medical data are usually fragmented
and private, making it challenging to generate robust results across
populations. Recent developments in federated learning (FL) have made it
possible to train complex machine-learned models in a distributed manner. Thus,
FL has become an active research domain, particularly processing the medical
data at the edge of the network in a decentralized way to preserve privacy and
security concerns. To this end, this survey paper highlights the current and
future of FL technology in medical applications where data sharing is a
significant burden. It also review and discuss the current research trends and
their outcomes for designing reliable and scalable FL models. We outline the
general FL's statistical problems, device challenges, security, privacy
concerns, and its potential in the medical domain. Moreover, our study is also
focused on medical applications where we highlight the burden of global cancer
and the efficient use of FL for the development of computer-aided diagnosis
tools for addressing them. We hope that this review serves as a checkpoint that
sets forth the existing state-of-the-art works in a thorough manner and offers
open problems and future research directions for this field.
- Abstract(参考訳): IoT、AI、ML/DLアルゴリズムの出現により、このデータ駆動型医療アプリケーションは、医療データから信頼性がありスケーラブルな診断および予後モデルを設計するための有望なツールとして登場した。
近年、学界から産業への関心が高まっている。
これによって医療提供の質が向上したことは間違いない。
しかし、これらのAIベースの医療アプリケーションは、厳格なセキュリティ、プライバシ、(低レイテンシのような)サービス標準の品質を満たすのが難しいため、まだ採用されていない。
さらに、医療データは通常断片化され非公開であり、人口間で堅牢な結果を生み出すことは困難である。
最近の連合学習(fl)の発展により、複雑な機械学習モデルの分散学習が可能になった。
そのため、FLは積極的な研究領域となり、特にプライバシーとセキュリティの懸念を維持するために、ネットワークの端で医療データを分散的に処理している。
そこで本研究では,データ共有が重荷となる医療アプリケーションにおけるFL技術の現状と将来について述べる。
また、信頼性とスケーラブルなflモデルを設計するための現在の研究動向とその成果をレビューし、議論する。
我々は、一般のFLの統計問題、デバイスの問題、セキュリティ、プライバシー問題、医療領域におけるその可能性について概説する。
さらに,本研究は,がん治療のためのコンピュータ支援診断ツールの開発において,グローバルがんの負担とFLの効率的な利用に焦点を当てた医療応用にも焦点を当てている。
このレビューが既存の最先端の作品を徹底的に紹介し、オープンな問題と今後の研究の方向性を提供するチェックポイントになることを願っています。
関連論文リスト
- Future-Proofing Medical Imaging with Privacy-Preserving Federated Learning and Uncertainty Quantification: A Review [14.88874727211064]
AIはすぐに、病気の診断、予後、治療計画、治療後の監視のための臨床実践のルーチンになるかもしれない。
患者のデータを取り巻くプライバシー上の懸念は、医療画像にAIが広く採用される上で大きな障壁となる。
Federated Learning(FL)は、機密データを共有することなく、AIモデルを協調的にトレーニングするためのソリューションを提供する。
論文 参考訳(メタデータ) (2024-09-24T16:55:32Z) - FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。
FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
論文 参考訳(メタデータ) (2024-08-17T15:18:56Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳(メタデータ) (2024-06-30T09:13:10Z) - 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) - Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare [14.399086205317358]
ファンデーションモデル(FM)は、教師なし事前訓練、自己教師付き学習、微調整の指導、人間のフィードバックからの強化学習など、膨大なデータセットで訓練される。
これらのモデルは、臨床報告、診断画像、マルチモーダル患者間相互作用などの多様なデータフォームの処理を必要とする生体医学的応用に不可欠である。
FLをこれらの洗練されたモデルに組み込むことは、機密性の高い医療データのプライバシーを守りながら、分析能力を活用するという有望な戦略を示す。
論文 参考訳(メタデータ) (2024-05-10T19:22:24Z) - 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) - 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) - 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) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳(メタデータ) (2021-06-08T10:38:09Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳(メタデータ) (2020-12-10T13:56:00Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。