論文の概要: Federated Learning for Medical Applications: A Taxonomy, Current Trends,
Challenges, and Future Research Directions
- arxiv url: http://arxiv.org/abs/2208.03392v4
- Date: Thu, 21 Sep 2023 00:16:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 20:27:25.888668
- Title: Federated Learning for Medical Applications: A Taxonomy, Current Trends,
Challenges, and Future Research Directions
- Title(参考訳): 医学分野におけるフェデレートラーニング : 分類学, 現状, 課題, 今後の研究方向性
- 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: 本稿では,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。
本研究の主な焦点は医学的応用であり,コンピュータ支援診断ツールの活用におけるFLの有用性を照らしている。
- 参考スコア(独自算出の注目度): 9.662980267339375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advent of the IoT, AI and ML/DL algorithms, the landscape of
data-driven medical applications has emerged as a promising avenue for
designing robust and scalable diagnostic and prognostic models from medical
data. Consequently, the realm of data-driven medical applications has garnered
significant attention spanning academia and industry, ushering in marked
enhancements in healthcare delivery quality. Despite these strides, the
adoption of AI-driven medical applications remains hindered by formidable
challenges, including the arduous task of meeting security, privacy, and
quality of service (QoS) standards. Recent developments in federated learning
have made it possible to train complex machine-learned models in a distributed
manner and 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 address 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. We delve into the contemporary
research trends and their outcomes, unravelling the intricacies of designing
reliable and scalable FL models. Our survey outlines the foundational
statistical predicaments of FL, confronts device-related obstacles, delves into
security challenges, and navigates the intricate terrain of privacy concerns,
all while spotlighting its transformative potential within the medical domain.
A primary focus of our study rests on medical applications, where we underscore
the weighty burden of global cancer and illuminate the potency of FL in
engendering computer-aided diagnosis tools that address this challenge with
heightened efficacy.
- Abstract(参考訳): iot、ai、ml/dlアルゴリズムの出現により、データ駆動医療アプリケーションの展望は、医療データから堅牢でスケーラブルな診断および予測モデルを設計するための有望な道として現れてきた。
その結果、データ駆動型医療応用の領域は、学術や産業にまたがる大きな注目を集め、医療提供の質が著しく向上した。
これらの努力にもかかわらず、AI駆動の医療アプリケーションの採用は、セキュリティ、プライバシ、QoS(Quality of Service)標準を満たすという困難なタスクなど、深刻な課題によって依然として妨げられている。
近年のフェデレートラーニングの進歩により、複雑なマシン学習モデルを分散的に訓練することが可能となり、特にネットワークの端にある医療データを分散的に処理することで、プライバシの保護とセキュリティ上の懸念に対処することが可能になった。
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。
信頼性とスケーラブルなFLモデルの設計の複雑さを誇示し、現代の研究動向とその成果を掘り下げる。
我々の調査では、FLの基本的な統計上の障害を概説し、デバイス関連の障害に直面し、セキュリティ上の課題に対処し、複雑なプライバシー上の懸念をナビゲートし、医療領域におけるその変革的なポテンシャルを浮き彫りにしています。
本研究の主な焦点は医学的応用であり、この課題に対処するコンピュータ支援診断ツールの開発において、我々はグローバルがんの重み付けを過小評価し、FLの有効性を照らし出す。
関連論文リスト
- Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems [1.8434042562191815]
インターネット・オブ・メディカル・モノ(IoMT)は、従来の医療境界を超越し、反応性治療から予防への転換を可能にする。
その利点は、処理されたデータの感度と価値のために、ユーザの生活を危険にさらす、重大なセキュリティ上の課題に対処されている。
新しいIDS(Intrusion Detection Systems)フレームワークを導入し、ANN(Artificial Neural Networks)を侵入検知に利用し、FL(Federated Learning)をプライバシ保護に活用する。
論文 参考訳(メタデータ) (2024-03-14T11:57:26Z) - 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) - 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) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳(メタデータ) (2023-10-28T12:08:03Z) - 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) - Balancing Privacy and Progress in Artificial Intelligence: Anonymization
in Histopathology for Biomedical Research and Education [1.8078387709049526]
医療データを“可能な限りオープン”に転送することは、患者のプライバシにリスクをもたらす。
既存の規制は、再識別リスクを避けるため、医療データを「必要に応じてクローズド」し続けるよう推進している。
本稿では,医療データ共有に関する法的規制と用語について考察する。
論文 参考訳(メタデータ) (2023-07-18T16:53:07Z) - ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug
Discovery [79.08833067391093]
現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。
ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。
ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
論文 参考訳(メタデータ) (2022-09-16T13:35:57Z) - 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) - The Future of Digital Health with Federated Learning [15.45906320465105]
データ駆動機械学習は、医療データから正確で堅牢な統計モデルを構築するための有望なアプローチとして登場した。
既存の医療データは、主にデータサイロに置かれており、プライバシの懸念によってデータへのアクセスが制限されているため、MLによって完全に利用されていない。
本稿では、フェデレートラーニングがデジタルヘルスの未来にどのように解決策をもたらすかを考察し、対処すべき課題と考察を強調する。
論文 参考訳(メタデータ) (2020-03-18T09:40:56Z)
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。