論文の概要: Federated Uncertainty-Aware Aggregation for Fundus Diabetic Retinopathy
Staging
- arxiv url: http://arxiv.org/abs/2303.13033v2
- Date: Sat, 22 Jul 2023 15:46:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 23:33:10.551071
- Title: Federated Uncertainty-Aware Aggregation for Fundus Diabetic Retinopathy
Staging
- Title（参考訳）: 糖尿病網膜症高齢化に対するFederated Uncertainty-Aware Aggregation
- Authors: Meng Wang, Lianyu Wang, Xinxing Xu, Ke Zou, Yiming Qian, Rick Siow
Mong Goh, Yong Liu, and Huazhu Fu
- Abstract要約: 本稿では,糖尿病網膜症(DR)ステージリングモデルのトレーニングのための新しいフェデレート不確実性認識集約パラダイム(FedUAA)を提案する。
FedUAAは各クライアントの信頼性を考慮し、DRステージングに対する信頼度を推定する。
実験の結果,FedUAAは,他のフェデレート学習法と比較して,信頼性の高いDRステージング性能が向上していることがわかった。
- 参考スコア（独自算出の注目度）: 42.883182872565044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models have shown promising performance in the field of
diabetic retinopathy (DR) staging. However, collaboratively training a DR
staging model across multiple institutions remains a challenge due to non-iid
data, client reliability, and confidence evaluation of the prediction. To
address these issues, we propose a novel federated uncertainty-aware
aggregation paradigm (FedUAA), which considers the reliability of each client
and produces a confidence estimation for the DR staging. In our FedUAA, an
aggregated encoder is shared by all clients for learning a global
representation of fundus images, while a novel temperature-warmed uncertainty
head (TWEU) is utilized for each client for local personalized staging
criteria. Our TWEU employs an evidential deep layer to produce the uncertainty
score with the DR staging results for client reliability evaluation.
Furthermore, we developed a novel uncertainty-aware weighting module (UAW) to
dynamically adjust the weights of model aggregation based on the uncertainty
score distribution of each client. In our experiments, we collect five publicly
available datasets from different institutions to conduct a dataset for
federated DR staging to satisfy the real non-iid condition. The experimental
results demonstrate that our FedUAA achieves better DR staging performance with
higher reliability compared to other federated learning methods. Our proposed
FedUAA paradigm effectively addresses the challenges of collaboratively
training DR staging models across multiple institutions, and provides a robust
and reliable solution for the deployment of DR diagnosis models in real-world
clinical scenarios.
- Abstract（参考訳）: 深層学習モデルは糖尿病網膜症(DR)のステージングの分野で有望なパフォーマンスを示した。
しかし、複数の機関でDRステージングモデルを協調的にトレーニングすることは、非IDデータ、クライアントの信頼性、予測の信頼性評価などによる課題である。
これらの課題に対処するために,各クライアントの信頼性を考慮し,DRステージングに対する信頼度を推定する,新しいフェデレーション型不確実性認識集約パラダイム(FedUAA)を提案する。
feduaaでは,全クライアントで集計エンコーダを共有し,眼底画像のグローバル表現を学習し,各クライアントに対して局所的パーソナライズされたステージング基準として新たな温度ウォード不確実性ヘッド(tweu)を活用した。
我々のTWEUは、クライアント信頼性評価のためのDRステージ結果と不確実性スコアを生成するために、明らかな深い層を用いています。
さらに、各クライアントの不確かさスコア分布に基づいてモデル集約の重み付けを動的に調整する新しい不確実性認識重み付けモジュール(UAW)を開発した。
実験では,各機関から利用可能な5つのデータセットを収集し,実際の非iid条件を満たすためのフェデレーションdrステージングのためのデータセットを作成した。
実験の結果,feduaは他のフェデレーション学習法と比較して高い信頼性でdrステージング性能を達成できた。
提案するFedUAAパラダイムは,複数の施設でDRステージングモデルを協調訓練する上での課題に効果的に対処し,実際の臨床シナリオにおけるDR診断モデルの展開に対して,堅牢かつ信頼性の高いソリューションを提供する。
関連論文リスト
- DrFuse: Learning Disentangled Representation for Clinical Multi-Modal
Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。
モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。
実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
論文 参考訳（メタデータ） (2024-03-10T12:41:34Z) - 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) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Adaptive Federated Learning via New Entropy Approach [14.595709494370372]
Federated Learning (FL) は、分散機械学習フレームワークとして注目されている。
本稿では,不均一クライアント間のパラメータ偏差を軽減するために,entropy理論(FedEnt)に基づく適応型FEDerated Learningアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-27T07:57:04Z) - DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep
Adversarial Learning for Counterfactual Prediction and Treatment Effect
Estimation on Real World Data [7.712429926730386]
因果深い学習は、個別化された治療効果を推定する伝統的な手法よりも改善された。
DR-VIDALは治療と結果の2つのジョイントモデルを組み合わせた新しい生成フレームワークである。
DR-VIDALは、合成および実世界のデータセットにおいて、他の生成的および生成的手法よりも優れた性能を達成する。
論文 参考訳（メタデータ） (2023-03-07T19:44:58Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳（メタデータ） (2022-10-24T17:53:20Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳（メタデータ） (2022-04-16T08:08:29Z) - A Differentially Private Probabilistic Framework for Modeling the
Variability Across Federated Datasets of Heterogeneous Multi-View
Observations [4.511923587827301]
我々のフレームワークは、潜在マスターの分布とクライアントのパラメータよりも期待(EM)によって効果的に最適化できることを示す。
アルツハイマー病に罹患した患者の臨床データから, マルチモーダル・メディカル・イメージング・データの解析と臨床成績について検討した。
論文 参考訳（メタデータ） (2022-04-15T07:20:47Z) - FedRAD: Federated Robust Adaptive Distillation [7.775374800382709]
一般的にモデルの更新を集約するコラボレーション学習フレームワークは、敵のクライアントによる毒殺攻撃のモデルに対して脆弱である。
本稿では,新たなロバスト適応蒸留法 (FedRAD) を提案する。
その結果,FedRADは敵の存在や異種データ分布において,他のアグリゲータよりも優れていた。
論文 参考訳（メタデータ） (2021-12-02T16:50:57Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。