論文の概要: Privacy-preserving machine learning for healthcare: open challenges and
future perspectives
- arxiv url: http://arxiv.org/abs/2303.15563v1
- Date: Mon, 27 Mar 2023 19:20:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 17:27:58.272542
- Title: Privacy-preserving machine learning for healthcare: open challenges and
future perspectives
- Title(参考訳): 医療のためのプライバシ保護機械学習 : オープン課題と今後の展望
- Authors: Alejandro Guerra-Manzanares, L. Julian Lechuga Lopez, Michail
Maniatakos, Farah E. Shamout
- Abstract要約: 医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。
プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。
このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
- 参考スコア(独自算出の注目度): 72.43506759789861
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning (ML) has recently shown tremendous success in modeling
various healthcare prediction tasks, ranging from disease diagnosis and
prognosis to patient treatment. Due to the sensitive nature of medical data,
privacy must be considered along the entire ML pipeline, from model training to
inference. In this paper, we conduct a review of recent literature concerning
Privacy-Preserving Machine Learning (PPML) for healthcare. We primarily focus
on privacy-preserving training and inference-as-a-service, and perform a
comprehensive review of existing trends, identify challenges, and discuss
opportunities for future research directions. The aim of this review is to
guide the development of private and efficient ML models in healthcare, with
the prospects of translating research efforts into real-world settings.
- Abstract(参考訳): 機械学習(ML)は最近、病気の診断や予後から患者の治療まで、様々な医療予測タスクをモデル化することに成功した。
医療データの機密性から、モデルトレーニングから推論まで、mlパイプライン全体に沿ってプライバシを考慮する必要がある。
本稿では、医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。
我々は主に,プライバシ保護トレーニングと推論・アズ・ア・サービスに注目し,既存のトレンドの包括的レビューを行い,課題を特定し,今後の研究の方向性を議論する。
このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることであり、研究成果を現実世界の環境に翻訳する可能性がある。
関連論文リスト
- Vision-Language Models for Medical Report Generation and Visual Question
Answering: A Review [0.0]
医療ビジョン言語モデル(VLM)は、コンピュータビジョンと自然言語処理を組み合わせて医療データを分析する。
本稿では,医療報告生成と視覚的質問応答のためのモデル開発における最近の進歩についてレビューする。
論文 参考訳(メタデータ) (2024-03-04T20:29:51Z) - Large Language Model Distilling Medication Recommendation Model [61.89754499292561]
大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。
本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。
これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
論文 参考訳(メタデータ) (2024-02-05T08:25:22Z) - Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳(メタデータ) (2024-02-02T00:31:01Z) - Medical Vision Language Pretraining: A survey [8.393439175704124]
医療ビジョン言語事前訓練は、医療領域におけるラベル付きデータの不足に対する有望な解決策である。
自己教師付き学習を通じてペア/アンペアの視覚とテキストデータセットを活用することで、モデルは膨大な知識を取得し、堅牢な特徴表現を学ぶように訓練することができる。
論文 参考訳(メタデータ) (2023-12-11T09:14:13Z) - MedAlpaca -- An Open-Source Collection of Medical Conversational AI
Models and Training Data [40.97474177100237]
大規模言語モデル(LLM)は、医療、診断、患者医療、教育を改善するためのかなりの約束を持っている。
しかし、患者のプライバシを保護するために、オンプレミスでデプロイできるオープンソースモデルが緊急に必要である。
本稿では、160,000以上のエントリからなる革新的なデータセットについて紹介する。
論文 参考訳(メタデータ) (2023-04-14T11:28:08Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳(メタデータ) (2021-07-20T07:04:52Z) - Machine Learning in Precision Medicine to Preserve Privacy via
Encryption [2.099922236065961]
我々は,がんを予測するMLモデルの構築に使用した,暗号化(MLE)フレームワークを用いた汎用機械学習を提案する。
我々のフレームワークの予測精度は、同じデータセット上で実施された最新の研究よりもわずかに高い。
私たちは、フレームワークの設計と実装、すべてのML実験とコード、そして、無料のクラウドサービスにデプロイされた最終的な予測モデルを含む、オープンソースのリポジトリを提供しています。
論文 参考訳(メタデータ) (2021-02-05T20:22:15Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳(メタデータ) (2020-12-10T13:56:00Z) - Secure and Robust Machine Learning for Healthcare: A Survey [5.7890697111442435]
本稿では、セキュリティとプライバシの観点から機械学習技術を活用する医療における様々な応用分野の概要を紹介する。
さらに,医療アプリケーションに対して,安全かつプライバシ保護のMLを実現するための潜在的手法を提案する。
論文 参考訳(メタデータ) (2020-01-21T08:12:36Z)
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。