論文の概要: Federated contrastive learning models for prostate cancer diagnosis and
Gleason grading
- arxiv url: http://arxiv.org/abs/2302.06089v1
- Date: Mon, 13 Feb 2023 04:17:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 16:45:15.049845
- Title: Federated contrastive learning models for prostate cancer diagnosis and
Gleason grading
- Title(参考訳): 前立腺癌診断とGleason gradingのための比較学習モデル
- Authors: Fei Kong, Jinxi Xiang, Xiyue Wang, Xinran Wang, Meng Yue, Jun Zhang,
Sen Yang, Junhan Zhao, Xiao Han, Yuhan Dong, Yueping Liu
- Abstract要約: 大規模病理画像に対するFCL(Federated contrastive learning framework)と異種性課題
FCLは、バイオメディカル研究に堅牢で正確で低コストなAIトレーニングモデルを提供し、医療データのプライバシーを効果的に保護する。
- 参考スコア(独自算出の注目度): 16.14636808348656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The application effect of artificial intelligence(AI) in the field of medical
imaging is remarkable. Robust AI model training requires large datasets, but
data collection faces constraints in communication, ethics, and privacy
protection. Federated learning can solve the above problems by coordinating
multiple clients to train the model without sharing the original data. In this
study, we design a federated contrastive learning framework(FCL) for
large-scale pathology images and the heterogeneity challenges. It enhances the
generalization ability of the model by maximizing the attention consistency
between the local client model and the server model. To alleviate the privacy
leakage problem when transferring weights and verify the robustness of FCL, we
use differential privacy to further protect the model by adding noise. We
evaluate the effectiveness of FCL on the cancer diagnosis task and Gleason
grading task on 19,635 prostate cancer WSIs from multiple clients. In the
diagnosis task, the average AUC of 7 clients is 95\% when the categories are
relatively balanced, and our FCL achieves 97\%. In the Gleason grading task,
the average Kappa of 6 clients is 0.74, and the Kappa of FCL reaches 0.84.
Furthermore, we also validate the robustness of the model on external
datasets(one public dataset and two private datasets). In addition, to better
explain the classification effect of the model, we show whether the model
focuses on the lesion area by drawing a heatmap. FCL brings a robust, accurate,
and low-cost AI training model to biomedical research, effectively protecting
the privacy of medical data.
- Abstract(参考訳): 医療画像分野における人工知能(AI)の応用効果は顕著である。
堅牢なAIモデルトレーニングには大規模なデータセットが必要だが、データ収集は通信、倫理、プライバシ保護の制約に直面している。
フェデレーション学習は、複数のクライアントが元のデータを共有せずにモデルをトレーニングするためにコーディネートすることで、上記の問題を解決することができる。
本研究では,大規模病理画像のためのFCL(Federated contrastive learning framework)を設計し,その不均一性に挑戦する。
ローカルクライアントモデルとサーバモデルの間の注意の一貫性を最大化することで、モデルの一般化能力を高める。
重みの伝達やfclのロバスト性検証を行う際のプライバシリーク問題を軽減するため,差分プライバシを用いて,ノイズを付加することでモデルをさらに保護する。
我々は,FCLががん診断タスクおよびGleason gradingタスクに及ぼす影響を,複数のクライアントから19,635前立腺癌WSIに対して評価した。
診断タスクでは, カテゴリーが比較的バランスが取れた場合, 平均7クライアント auc は 95\% であり, fcl は 97\% に達する。
Gleason グレーディングタスクでは、6つのクライアントの平均 Kappa は 0.74 であり、FCL の Kappa は 0.84 である。
さらに,外部データセット(1つの公開データセットと2つのプライベートデータセット)におけるモデルのロバスト性を検証する。
また,モデルの分類効果をよりよく説明するために,ヒートマップを描き,病変領域に焦点を当てているかどうかを示す。
FCLは、バイオメディカル研究に堅牢で正確で低コストなAIトレーニングモデルを提供し、医療データのプライバシーを効果的に保護する。
関連論文リスト
- Leveraging Federated Learning for Automatic Detection of Clopidogrel
Treatment Failures [0.8132630541462695]
本研究では,クロピドッグレル処理障害検出のためのフェデレーション学習戦略を活用する。
地理的中心に基づいてデータを分割し,フェデレート学習の性能を評価した。
クロピドッグレル治療障害検出におけるフェデレート学習の可能性について検討した。
論文 参考訳(メタデータ) (2024-03-05T23:31:07Z) - BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+
Breast Cancer Through Multifeature and Multimodal Data Fusion [18.395418853966266]
画像から得られる特徴を遺伝学的・臨床的データと融合するディープラーニングフレームワークであるBioFusionNetを提案する。
ER+乳癌患者の生存リスク層形成を行う。
論文 参考訳(メタデータ) (2024-02-16T14:19:33Z) - OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for
Generalized and Robust Retinal Disease Detection [2.3349787245442966]
本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。
本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。
AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
論文 参考訳(メタデータ) (2024-01-22T20:17:14Z) - A Few-Shot Approach to Dysarthric Speech Intelligibility Level
Classification Using Transformers [0.0]
発声障害(Dysarthria)は、言葉の発音が難しいことによるコミュニケーションを妨げる言語障害である。
文献の多くは、変形性音声に対するASRシステムの改善に焦点を当てている。
この研究は、変形の有無を正確に分類できるモデルを開発することを目的としている。
論文 参考訳(メタデータ) (2023-09-17T17:23:41Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳(メタデータ) (2022-07-23T19:17:26Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳(メタデータ) (2022-04-13T15:27:05Z) - Interpretability methods of machine learning algorithms with
applications in breast cancer diagnosis [1.1470070927586016]
我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。
乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
論文 参考訳(メタデータ) (2022-02-04T13:41:30Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳(メタデータ) (2021-11-18T00:43:41Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z)
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。