Fugu-MT 論文翻訳(概要): Federated contrastive learning models for prostate cancer diagnosis and Gleason grading

論文の概要: Federated contrastive learning models for prostate cancer diagnosis and Gleason grading

arxiv url: http://arxiv.org/abs/2302.06089v3
Date: Tue, 9 May 2023 11:50:51 GMT
ステータス: 処理完了
システム内更新日: 2023-05-10 15:56:44.331481
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: 本研究では,大規模病理画像を対象としたFCL(Federated contrastive learning framework)を設計する。ローカルクライアントとサーバモデル間のアテンション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。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それぞれ19,635の前立腺癌WSIに対して評価した。
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 communication, ethics, and privacy protection constraints. Fortunately, 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 model's generalization ability by maximizing the attention consistency between the local client and server models. To alleviate the privacy leakage problem when transferring parameters 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. Finally, FCL brings a robust, accurate, low-cost AI training model to biomedical research, effectively protecting medical data privacy.
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きなデータセットが必要だが、データ収集はコミュニケーション、倫理、プライバシ保護の制約に直面している。幸いなことに、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,大規模な病理画像と異種性問題に対するFCL(Federated contrastive learning framework)を設計する。ローカルクライアントとサーバモデル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。パラメータの転送時のプライバシー漏洩問題を緩和し,FCLの堅牢性を検証するため,ノイズを追加してモデルをさらに保護するために差分プライバシーを用いる。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クライアントの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。最後に、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

Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。 UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文参考訳（メタデータ） (2024-11-25T13:40:11Z)
Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training [3.2646075700744928]
Histo whole slide image (WSI) は、特に精度オンコロジーにおいて、ディープラーニングに基づく診断ソリューションの開発に広く利用されている。これらの診断ソフトウェアのほとんどは、トレーニングやテストデータにおけるバイアスや不純物に弱いため、不正確な診断につながる可能性がある。我々は、WSIを6つの組織領域に分離する、頑健だが軽量なディープラーニングベースの分類器であるHistoROIを紹介した。
論文参考訳（メタデータ） (2024-09-29T07:08:45Z)
Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
論文参考訳（メタデータ） (2024-09-03T07:57:08Z)
PrivFED -- A Framework for Privacy-Preserving Federated Learning in Enhanced Breast Cancer Diagnosis [0.0]
本研究では、ウィスコンシンデータセットに基づいてトレーニングされたフェデレーション学習フレームワークを導入し、データの不足や不均衡といった課題を軽減する。このモデルの平均精度はエッジデバイスで99.95%、中央サーバで98%である。
論文参考訳（メタデータ） (2024-05-13T18:01:57Z)
Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。 EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
論文参考訳（メタデータ） (2024-03-14T19:51:18Z)
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 Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文参考訳（メタデータ） (2023-10-30T11:13:40Z)
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)
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)

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。