論文の概要: Privacy-Preserving Deep Learning Model for Covid-19 Disease Detection

• arxiv url: http://arxiv.org/abs/2209.04445v1
• Date: Wed, 7 Sep 2022 06:15:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 17:30:03.404095
• Title: Privacy-Preserving Deep Learning Model for Covid-19 Disease Detection
• Title（参考訳）: Covid-19 病検出のためのプライバシー保護深層学習モデル
• Authors: Vijay Srinivas Tida Sai Venkatesh Chilukoti, Sonya Hsu, Xiali Hei
• Abstract要約: 患者個人の情報を確保するために,差分私的深層学習モデルを提案する。 正確性は、トレーニング可能なレイヤの変更、プライバシ損失、各サンプルの情報制限によって注目される。
• 参考スコア（独自算出の注目度）: 3.351714665243138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent studies demonstrated that X-ray radiography showed higher accuracy than Polymerase Chain Reaction (PCR) testing for COVID-19 detection. Therefore, applying deep learning models to X-rays and radiography images increases the speed and accuracy of determining COVID-19 cases. However, due to Health Insurance Portability and Accountability (HIPAA) compliance, the hospitals were unwilling to share patient data due to privacy concerns. To maintain privacy, we propose differential private deep learning models to secure the patients' private information. The dataset from the Kaggle website is used to evaluate the designed model for COVID-19 detection. The EfficientNet model version was selected according to its highest test accuracy. The injection of differential privacy constraints into the best-obtained model was made to evaluate performance. The accuracy is noted by varying the trainable layers, privacy loss, and limiting information from each sample. We obtained 84\% accuracy with a privacy loss of 10 during the fine-tuning process.
• Abstract（参考訳）: 近年の研究では、X線ラジオグラフィーはPCR検査よりも精度が高いことが示されている。 そのため、X線やX線画像にディープラーニングモデルを適用することで、新型コロナウイルスの患者を判定するスピードと精度が向上する。 しかし、医療保険のポータビリティと説明責任(hipaa)の遵守により、病院はプライバシー上の懸念から患者データを共有しようとはしなかった。 プライバシを維持するために,患者の個人情報を確保するための差分プライベートディープラーニングモデルを提案する。 kaggleのウェブサイトにあるデータセットは、covid-19検出のために設計されたモデルを評価するために使用される。 EfficientNetモデルバージョンは、最も高いテスト精度で選択された。 ベストオブザードモデルに差分プライバシー制約を注入し,性能評価を行った。 正確性は、トレーニング可能なレイヤの変更、プライバシ損失、各サンプルの情報制限によって注目される。 微調整過程において,プライバシ損失が10で85%の精度を得た。

関連論文リスト

• A Hybrid Approach for COVID-19 Detection: Combining Wasserstein GAN with Transfer Learning [0.0]
  我々は、後にディープラーニングモデルに入力された画像を合成して、COVID-19、ノーマル、ウイルス肺炎の画像の分類を行うGANベースのアプローチを提案する。 この拡張データセットを使用して、VGG-16、ResNet-50、GoogLeNet、MNASTの4つの提案されたディープラーニングモデルをトレーニングする。 VGG-16は4つの計画の中で99.17%の精度を達成した。
  論文  参考訳（メタデータ） (2024-11-10T09:09:41Z)
• Symptom-based Machine Learning Models for the Early Detection of COVID-19: A Narrative Review [0.0]
  機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。 本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。 また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
  論文  参考訳（メタデータ） (2023-12-08T01:41:42Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• 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)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Fuzzy Unique Image Transformation: Defense Against Adversarial Attacks On Deep COVID-19 Models [3.42658286826597]
  新型コロナウイルス(COVID-19)の感染者を検出するために深層モデルが提案されているが、敵からの攻撃を防ぐために深層モデルが実行された例は少ない。 本報告では、対人攻撃に対する深層COVID-19モデルの性能評価について述べる。
  論文  参考訳（メタデータ） (2020-09-08T21:35:24Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
  我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。 著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。 また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
  論文  参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。