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

• MPLite: Multi-Aspect Pretraining for Mining Clinical Health Records [13.4100093553808]
  本稿では,医療概念の表現性を高めるために,軽量ニューラルネットワークを用いたマルチアスペクトプレトレーニングとラボの結果を利用する新しいフレームワークMPLiteを提案する。 我々は、実験結果に基づいて医療コードを予測し、特徴の複数の側面を融合させることで堅牢な予測を保証する事前学習モジュールを設計する。
  論文  参考訳（メタデータ） (2024-11-17T19:43:10Z)
• Advances in Privacy Preserving Federated Learning to Realize a Truly Learning Healthcare System [0.2748450182087935]
  学習医療システム(LHS)の概念は、患者医療からのマルチモーダルデータを継続的に分析し、将来の医療成果を高める自己改善ネットワークを構想している。 プライバシ保護フェデレートラーニング(PPFL)は変革的で有望なアプローチであり、これらの課題に対処する可能性がある。 本稿では,医学研究所 (IOM) Roundtable が定義した,真の LHS を実現するために,PPFL を医療エコシステムに統合するビジョンを提案する。
  論文  参考訳（メタデータ） (2024-09-29T20:02:40Z)
• The Role of Language Models in Modern Healthcare: A Comprehensive Review [2.048226951354646]
  医療における大規模言語モデル(LLM)の適用は注目されている。 本稿では,言語モデルの初期から現在までの軌跡を概観する。
  論文  参考訳（メタデータ） (2024-09-25T12:15:15Z)
• Review of Interpretable Machine Learning Models for Disease Prognosis [6.758348517014495]
  新型コロナウイルス(COVID-19)のパンデミックを受けて、解釈可能な機械学習が大きな注目を集めている。 本稿では,呼吸器疾患の予後を予測するための解釈可能な機械学習の応用について概説する。
  論文  参考訳（メタデータ） (2024-05-19T20:39:46Z)
• 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 [71.19967863320647]
  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)
• 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)

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。