論文の概要: Collaborative Training of Medical Artificial Intelligence Models with
non-uniform Labels
- arxiv url: http://arxiv.org/abs/2211.13606v2
- Date: Thu, 13 Apr 2023 16:08:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 17:14:57.596630
- Title: Collaborative Training of Medical Artificial Intelligence Models with
non-uniform Labels
- Title（参考訳）: 非一様ラベルを用いた医用人工知能モデルの協調学習
- Authors: Soroosh Tayebi Arasteh, Peter Isfort, Marwin Saehn, Gustav
Mueller-Franzes, Firas Khader, Jakob Nikolas Kather, Christiane Kuhl, Sven
Nebelung, Daniel Truhn
- Abstract要約: 強力で堅牢なディープラーニングモデルを構築するには、大規模なマルチパーティデータセットによるトレーニングが必要だ。
このようなデータに対する協調学習のためのフレキシブル・フェデレーション・ラーニング(FFL)を提案する。
不均質なラベル付きデータセットを持つことで、FFLベースのトレーニングがパフォーマンスを著しく向上させることを示す。
- 参考スコア（独自算出の注目度）: 0.07176066267895696
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Due to the rapid advancements in recent years, medical image analysis is
largely dominated by deep learning (DL). However, building powerful and robust
DL models requires training with large multi-party datasets. While multiple
stakeholders have provided publicly available datasets, the ways in which these
data are labeled vary widely. For Instance, an institution might provide a
dataset of chest radiographs containing labels denoting the presence of
pneumonia, while another institution might have a focus on determining the
presence of metastases in the lung. Training a single AI model utilizing all
these data is not feasible with conventional federated learning (FL). This
prompts us to propose an extension to the widespread FL process, namely
flexible federated learning (FFL) for collaborative training on such data.
Using 695,000 chest radiographs from five institutions from across the globe -
each with differing labels - we demonstrate that having heterogeneously labeled
datasets, FFL-based training leads to significant performance increase compared
to conventional FL training, where only the uniformly annotated images are
utilized. We believe that our proposed algorithm could accelerate the process
of bringing collaborative training methods from research and simulation phase
to the real-world applications in healthcare.
- Abstract（参考訳）: 近年の急速な進歩により、医学画像解析は主にディープラーニング(dl)が中心となっている。
しかし、強力で堅牢なDLモデルを構築するには、大規模なマルチパーティデータセットによるトレーニングが必要である。
複数のステークホルダが公開データセットを提供しているが、これらのデータのラベル付け方法は大きく異なる。
例えば、ある機関は肺炎の存在を示すラベルを含む胸部X線写真データセットを提供し、別の機関は肺転移の有無を決定することに焦点を当てるかもしれない。
これらのデータを利用する単一のAIモデルをトレーニングすることは、従来の連邦学習(FL)では実現不可能である。
これにより、これらのデータに対する協調学習のためのフレキシブル・フェデレーション・ラーニング(FFL)という、広範なFLプロセスの拡張を提案する。
異なるラベルのラベルを持つ全5機関の695,000の胸部x線写真を用いて,fflベースのトレーニングでは,均一にアノテートされた画像のみを使用する従来のflトレーニングに比べて大きなパフォーマンス向上が期待できることを示した。
提案アルゴリズムは,研究段階からシミュレーション段階の協調トレーニング手法を,医療分野の現実的な応用に導入する過程を促進できると考えている。
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) - FedMM: Federated Multi-Modal Learning with Modality Heterogeneity in
Computational Pathology [3.802258033231335]
Federated Multi-Modal (FedMM) は、複数の単一モード特徴抽出器を訓練し、その後の分類性能を向上させる学習フレームワークである。
FedMMは、精度とAUCメトリクスの2つのベースラインを特に上回っている。
論文 参考訳（メタデータ） (2024-02-24T16:58:42Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Federated Multilingual Models for Medical Transcript Analysis [11.877236847857336]
大規模多言語モデルを学習するための連合学習システムを提案する。
トレーニングデータはすべて、中央に送信されることはない。
本研究では,グローバルモデルの性能を,局所的に行うトレーニングステップによってさらに向上させることができることを示す。
論文 参考訳（メタデータ） (2022-11-04T01:07:54Z) - FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in
Realistic Healthcare Settings [51.09574369310246]
Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。
本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。
私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
論文 参考訳（メタデータ） (2022-10-10T12:17:30Z) - Label-Efficient Self-Supervised Federated Learning for Tackling Data
Heterogeneity in Medical Imaging [23.08596805950814]
医用画像解析のための頑健でラベル効率の良い自己教師型FLフレームワークを提案する。
具体的には,既存のFLパイプラインに分散自己教師型事前学習パラダイムを導入する。
自己教師付きFLアルゴリズムは,分布外データに対してよく一般化し,限定ラベルのシナリオにおいてより効果的にフェデレーションモデルを学習することを示す。
論文 参考訳（メタデータ） (2022-05-17T18:33:43Z) - Federated Cross Learning for Medical Image Segmentation [23.075410916203005]
フェデレーテッド・ラーニング(FL)は、様々な臨床応用のために、異なる病院が所有する隔離された患者データを用いて、ディープラーニングモデルを協調的に訓練することができる。
FLの大きな問題は、独立して分散されていないデータ(非ID)を扱う際のパフォーマンス劣化である。
論文 参考訳（メタデータ） (2022-04-05T18:55:02Z) - 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) - BERT WEAVER: Using WEight AVERaging to enable lifelong learning for
transformer-based models in biomedical semantic search engines [49.75878234192369]
We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。
WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
論文 参考訳（メタデータ） (2022-02-21T10:34:41Z) - Differentially private federated deep learning for multi-site medical
image segmentation [56.30543374146002]
フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。
近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。
しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
論文 参考訳（メタデータ） (2021-07-06T12:57:32Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。