論文の概要: Cross-center Early Sepsis Recognition by Medical Knowledge Guided
Collaborative Learning for Data-scarce Hospitals
- arxiv url: http://arxiv.org/abs/2302.05702v1
- Date: Sat, 11 Feb 2023 14:30:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 19:11:55.898118
- Title: Cross-center Early Sepsis Recognition by Medical Knowledge Guided
Collaborative Learning for Data-scarce Hospitals
- Title（参考訳）: data-scarce病院における医療知識誘導型協調学習による異所間早期敗血症認識
- Authors: Ruiqing Ding, Fangjie Rong, Xiao Han, Leye Wang
- Abstract要約: 感染症の疑いとSOFA (Sequential Organ Failure Assessment) の双方を満足させることで, 敗血症を診断できる。
そこで我々は,医学知識であるSofaNetに指導された新たなクロスセンター協調学習フレームワークを提案し,敗血症の早期認識を実現する。
- 参考スコア（独自算出の注目度）: 9.148163615040364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There are significant regional inequities in health resources around the
world. It has become one of the most focused topics to improve health services
for data-scarce hospitals and promote health equity through knowledge sharing
among medical institutions. Because electronic medical records (EMRs) contain
sensitive personal information, privacy protection is unavoidable and essential
for multi-hospital collaboration. In this paper, for a common disease in ICU
patients, sepsis, we propose a novel cross-center collaborative learning
framework guided by medical knowledge, SofaNet, to achieve early recognition of
this disease. The Sepsis-3 guideline, published in 2016, defines that sepsis
can be diagnosed by satisfying both suspicion of infection and Sequential Organ
Failure Assessment (SOFA) greater than or equal to 2. Based on this knowledge,
SofaNet adopts a multi-channel GRU structure to predict SOFA values of
different systems, which can be seen as an auxiliary task to generate better
health status representations for sepsis recognition. Moreover, we only achieve
feature distribution alignment in the hidden space during cross-center
collaborative learning, which ensures secure and compliant knowledge transfer
without raw data exchange. Extensive experiments on two open clinical datasets,
MIMIC-III and Challenge, demonstrate that SofaNet can benefit early sepsis
recognition when hospitals only have limited EMRs.
- Abstract（参考訳）: 世界中の医療資源にかなりの地域的不平等がある。
医療機関間での知識共有を通じて、データ収集病院の医療サービスの改善や健康エクイティの促進に最も焦点を絞ったトピックの1つとなっている。
電子カルテ(EMR)には機密情報が含まれているため、プライバシー保護は避けられず、多施設共同作業には不可欠である。
本稿では,ICU患者に共通する疾患である敗血症に対して,この疾患を早期に認識するために,医療知識であるSofaNetを指導する新たなクロスセンター協調学習フレームワークを提案する。
2016年に発表されたSepsis-3ガイドラインは、感染症の疑いとSOFA(Sequential Organ Failure Assessment)の双方を満足させることで、敗血症を診断できると定義している。
この知識に基づいて、 sofanet は異なるシステムの sofa 値を予測するためにマルチチャネル gru 構造を採用しており、これは敗血症認識のためのより良い健康状態表現を生成する補助タスクと見なすことができる。
さらに,クロスセンター協調学習における隠れ空間における特徴分布のアライメントのみを実現し,生データ交換を必要とせず,安全かつ適合した知識伝達を実現する。
MIMIC-IIIとChallengeの2つのオープンな臨床データセットに対する大規模な実験は、病院が限られたEMRしか持たない場合、SofaNetが早期の敗血症認識に有効であることを示した。
関連論文リスト
- Clinnova Federated Learning Proof of Concept: Key Takeaways from a Cross-border Collaboration [38.4546326469195]
Clinnova-MSは、FLを用いて、病気の進行を検知し、介入を誘導し、複数のサイトにわたってデジタルバイオマーカーを検証する、より正確なモデルを開発することで、MS患者のケアを強化することを目的としている。
この技術報告は、Clinnovaフレームワーク内のMRI画像のMSセグメント化に関する、最初の国境を越えたPOCからの洞察と重要な知見を提示する。
論文 参考訳（メタデータ） (2024-10-03T12:40:52Z) - 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) - 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) - Enriching Unsupervised User Embedding via Medical Concepts [51.17532619610099]
教師なしのユーザ埋め込みは、患者を人間の監督なしに、固定長のベクターにエンコードすることを目的としている。
臨床ノートから抽出された医療概念は、患者とその臨床カテゴリ間の豊富な関係を含んでいる。
本稿では,2つの臨床コーパスからテキスト文書と医療概念を共同で活用する,非教師なしユーザ埋め込みを提案する。
論文 参考訳（メタデータ） (2022-03-20T18:54:05Z) - 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) - Feasibility Study of Multi-Site Split Learning for Privacy-Preserving
Medical Systems under Data Imbalance Constraints in COVID-19, X-Ray, and
Cholesterol Dataset [11.021444485027143]
本稿では,「複数サイト分割学習」という用語を用いた新しい分割学習アルゴリズムを提案する。
複数の病院間で医療データの安全な転送を可能にし、患者記録に含まれる個人データを公開することを恐れない。
論文 参考訳（メタデータ） (2022-02-21T03:51:27Z) - Semi-supervised Optimal Transport with Self-paced Ensemble for
Cross-hospital Sepsis Early Detection [12.704730765459257]
最先端の手法は、教師あり学習のために大量のラベル付き医療データを必要とする。
ラベル付きデータの欠如は、ある病院が新しいセプシス検出システムをデプロイしたい場合、大きな障害を引き起こす。
本稿では,Sepsis早期検出のための自己組織化アンサンブルフレームワークを用いた半教師付き最適トランスポートを提案する。
論文 参考訳（メタデータ） (2021-06-18T20:54:18Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - CPAS: the UK's National Machine Learning-based Hospital Capacity
Planning System for COVID-19 [111.69190108272133]
新型コロナウイルス(COVID-19)の2019年は、集中治療リソースに対する前例のない需要を伴う圧倒的な医療システムの脅威となる。
病院資源計画のための機械学習システムであるCPAS(COVID-19 Capacity Planning and Analysis System)を開発した。
CPASは、新型コロナウイルス(COVID-19)のパンデミックに対処するため、全国規模で病院に配備された最初の機械学習ベースのシステムの一つだ。
論文 参考訳（メタデータ） (2020-07-27T19:39:13Z)
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。