論文の概要: Federated and distributed learning applications for electronic health
records and structured medical data: A scoping review
- arxiv url: http://arxiv.org/abs/2304.07310v1
- Date: Fri, 14 Apr 2023 12:27:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 19:40:02.359847
- Title: Federated and distributed learning applications for electronic health
records and structured medical data: A scoping review
- Title（参考訳）: 電子健康記録と構造化医療データのためのフェデレーションおよび分散学習応用:スコーピング・レビュー
- Authors: Siqi Li, Pinyan Liu, Gustavo G. Nascimento, Xinru Wang, Fabio Renato
Manzolli Leite, Bibhas Chakraborty, Chuan Hong, Yilin Ning, Feng Xie, Zhen
Ling Teo, Daniel Shu Wei Ting, Hamed Haddadi, Marcus Eng Hock Ong, Marco
Aur\'elio Peres, Nan Liu
- Abstract要約: フェデレートラーニング(FL)は近年,プライバシ保護コラボレーションを促進するために臨床研究で人気を集めている。
本稿では,構造化医療データへのFL適用について検討し,現代的限界を特定し,イノベーションの可能性について考察する。
- 参考スコア（独自算出の注目度）: 8.7819564865928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL) has gained popularity in clinical research in recent
years to facilitate privacy-preserving collaboration. Structured data, one of
the most prevalent forms of clinical data, has experienced significant growth
in volume concurrently, notably with the widespread adoption of electronic
health records in clinical practice. This review examines FL applications on
structured medical data, identifies contemporary limitations and discusses
potential innovations. We searched five databases, SCOPUS, MEDLINE, Web of
Science, Embase, and CINAHL, to identify articles that applied FL to structured
medical data and reported results following the PRISMA guidelines. Each
selected publication was evaluated from three primary perspectives, including
data quality, modeling strategies, and FL frameworks. Out of the 1160 papers
screened, 34 met the inclusion criteria, with each article consisting of one or
more studies that used FL to handle structured clinical/medical data. Of these,
24 utilized data acquired from electronic health records, with clinical
predictions and association studies being the most common clinical research
tasks that FL was applied to. Only one article exclusively explored the
vertical FL setting, while the remaining 33 explored the horizontal FL setting,
with only 14 discussing comparisons between single-site (local) and FL (global)
analysis. The existing FL applications on structured medical data lack
sufficient evaluations of clinically meaningful benefits, particularly when
compared to single-site analyses. Therefore, it is crucial for future FL
applications to prioritize clinical motivations and develop designs and
methodologies that can effectively support and aid clinical practice and
research.
- Abstract（参考訳）: フェデレートラーニング(FL)は近年,プライバシ保護コラボレーションを促進するために臨床研究で人気を集めている。
最も一般的な臨床データの1つである構造化データは、特に臨床における電子健康記録の普及により、ボリュームの増大を同時に経験している。
本稿では,構造化医療データへのFL適用について検討し,現代的限界を特定し,イノベーションの可能性について考察する。
SCOPUS, MEDLINE, Web of Science, Embase, CINAHLの5つのデータベースを検索し, FLを構造化された医療データに適用した記事を特定し, PRISMAガイドラインに従って結果を報告する。
各出版物は、データ品質、モデリング戦略、FLフレームワークを含む3つの主要な視点から評価された。
1160論文のうち34論文は包括的基準を満たし、各論文はFLを用いて構造化された臨床・医療データを扱う1つ以上の研究からなる。
そのうち24は電子カルテから取得したデータを利用しており、FLが適用された最も一般的な臨床研究課題は臨床予測と関連研究であった。
唯一の記事は垂直fl設定のみを、残りの33記事は水平fl設定を、14記事だけがシングルサイト(ローカル)とfl(グローバル)分析の比較を議論した。
既存の構造化医療データに対するflの応用は、臨床上有意義な利益、特に単サイト分析と比較して十分な評価を欠いている。
したがって、将来のfl応用は、臨床モチベーションを優先し、臨床実践や研究を効果的に支援し支援できる設計や方法論を開発することが重要である。
関連論文リスト
- FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - CliMedBench: A Large-Scale Chinese Benchmark for Evaluating Medical Large Language Models in Clinical Scenarios [50.032101237019205]
CliMedBenchは、14のエキスパートによるコア臨床シナリオを備えた総合的なベンチマークである。
このベンチマークの信頼性はいくつかの点で確認されている。
論文 参考訳（メタデータ） (2024-10-04T15:15:36Z) - Towards Evaluating and Building Versatile Large Language Models for Medicine [57.49547766838095]
MedS-Benchは大規模言語モデル(LLM)の性能を臨床的に評価するためのベンチマークである。
MedS-Benchは、臨床報告の要約、治療勧告、診断、名前付きエンティティ認識、医療概念説明を含む、11のハイレベルな臨床タスクにまたがる。
MedS-Insは58の医療指向言語コーパスで構成され、112のタスクで1350万のサンプルを収集している。
論文 参考訳（メタデータ） (2024-08-22T17:01:34Z) - GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI [67.09501109871351]
LVLM(Large Vision-Language Model)は、画像、テキスト、生理学的信号などの多様なデータタイプを扱うことができる。
GMAI-MMBenchは、よく分類されたデータ構造と、これまででもっとも包括的な一般医療用AIベンチマークである。
38の医療画像モダリティ、18の臨床関連タスク、18の部門、視覚質問回答(VQA)フォーマットの4つの知覚的粒度からなる284のデータセットで構成されている。
論文 参考訳（メタデータ） (2024-08-06T17:59:21Z) - Generative AI for Synthetic Data Across Multiple Medical Modalities: A Systematic Review of Recent Developments and Challenges [2.1835659964186087]
本稿では,様々な医療データ型を合成するための生成モデルについて,体系的に検討する。
本研究は、幅広い医療データモダリティを包含し、様々な生成モデルについて検討する。
論文 参考訳（メタデータ） (2024-06-27T14:00:11Z) - On the Impact of Data Heterogeneity in Federated Learning Environments with Application to Healthcare Networks [3.9058850780464884]
Federated Learning(FL)は、プライバシに敏感なアプリケーションが、情報を開示することなく、グローバルモデル構築のためにデータセットを活用することを可能にする。
これらの領域の1つは医療であり、サイロのグループは、精度と一般化を改善したグローバルな予測器を生成するために協力する。
本稿では,医学データの複雑さに着目し,FL環境における不均一性の数学的形式化と分類を包括的に調査する。
論文 参考訳（メタデータ） (2024-04-29T09:05:01Z) - SoftTiger: A Clinical Foundation Model for Healthcare Workflows [5.181665205189493]
医療基盤モデルとして設計された臨床用大規模言語モデル(CLaM)であるSoftTigerを紹介する。
我々は,3つのサブタスク,すなわち国際患者要約,臨床印象,医療的出会いのデータを収集し,注釈する。
公立および認証臨床データを用いて,最先端のLCMの微調整を指導した。
論文 参考訳（メタデータ） (2024-03-01T04:39:16Z) - A Comprehensive View of Personalized Federated Learning on Heterogeneous Clinical Datasets [0.4926316920996346]
フェデレートラーニング(FL)は、データサイロを克服する上で重要なアプローチである。
本研究は,臨床応用に焦点を当てたFL研究の進展に寄与する。
論文 参考訳（メタデータ） (2023-09-28T20:12:17Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z) - Improving Clinical Document Understanding on COVID-19 Research with
Spark NLP [0.0]
世界的な新型コロナウイルスのパンデミックの後、ウイルスを研究する科学論文の数は大幅に増加しました。
これまでの取り組みを3つの方法で改善する臨床テキストマイニングシステムを紹介します。
まず、健康、解剖学、リスクファクター、有害事象の社会的決定要因を含む100以上の異なるエンティティタイプを認識することができます。
第2に、テキスト処理パイプラインは、アサーション状態検出を含み、患者以外の誰かの存在、欠如、条件付き、または、患者に関する臨床事実を区別する。
論文 参考訳（メタデータ） (2020-12-07T19:17:05Z)
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。