論文の概要: Fed-BioMed: Open, Transparent and Trusted Federated Learning for Real-world Healthcare Applications

• arxiv url: http://arxiv.org/abs/2304.12012v1
• Date: Mon, 24 Apr 2023 11:26:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 15:14:00.951225
• Title: Fed-BioMed: Open, Transparent and Trusted Federated Learning for Real-world Healthcare Applications
• Title（参考訳）: Fed-BioMed: 実際の医療アプリケーションのためのオープンで透明で信頼できるフェデレーションラーニング
• Authors: Francesco Cremonesi, Marc Vesin, Sergen Cansiz, Yannick Bouillard, Irene Balelli, Lucia Innocenti, Santiago Silva, Samy-Safwan Ayed, Riccardo Taiello, Laetita Kameni, Richard Vidal, Fanny Orlhac, Christophe Nioche, Nathan Lapel, Bastien Houis, Romain Modzelewski, Olivier Humbert, Melek \"Onen, and Marco Lorenzi
• Abstract要約: Fed-BioMedは、Federated Learningを現実世界の医学研究アプリケーションに翻訳することを目指している。 設計空間、ターゲットユーザ、ドメイン制約、そしてこれらの要因が我々の現在および将来のソフトウェアアーキテクチャにどのように影響するかを説明します。
• 参考スコア（独自算出の注目度）: 4.086864536569863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The real-world implementation of federated learning is complex and requires research and development actions at the crossroad between different domains ranging from data science, to software programming, networking, and security. While today several FL libraries are proposed to data scientists and users, most of these frameworks are not designed to find seamless application in medical use-cases, due to the specific challenges and requirements of working with medical data and hospital infrastructures. Moreover, governance, design principles, and security assumptions of these frameworks are generally not clearly illustrated, thus preventing the adoption in sensitive applications. Motivated by the current technological landscape of FL in healthcare, in this document we present Fed-BioMed: a research and development initiative aiming at translating federated learning (FL) into real-world medical research applications. We describe our design space, targeted users, domain constraints, and how these factors affect our current and future software architecture.
• Abstract（参考訳）: フェデレーション学習の現実世界の実装は複雑であり、データサイエンス、ソフトウェアプログラミング、ネットワーク、セキュリティなど、さまざまな分野のクロスロードにおける研究開発活動が必要である。 現在、いくつかのFLライブラリがデータサイエンティストやユーザ向けに提案されているが、これらのフレームワークのほとんどは、医療データや病院のインフラを扱うという特定の課題と要求のために、医療ユースケースにおけるシームレスなアプリケーションを見つけるように設計されていない。 さらに、これらのフレームワークのガバナンス、設計原則、セキュリティ仮定は一般的に明確に示されていないため、センシティブなアプリケーションの採用が妨げられている。 医療におけるFLの現在の技術状況に触発されたこの文書では、Fed-BioMedについて紹介する。これは、Fed-BioMedは、Fed-BioMed(Fed-BioMed)を現実の医学研究アプリケーションに翻訳することを目的とした研究・開発イニシアチブである。 設計空間、ターゲットユーザ、ドメイン制約、そしてこれらの要因が我々の現在および将来のソフトウェアアーキテクチャに与える影響について説明する。

関連論文リスト

• FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models [54.09244105445476]
  本研究は,フェデレート・ラーニング・フレームワーク内で医療基盤モデルを拡張するための新しい知識注入手法であるFedKIMを紹介する。 FedKIMは軽量なローカルモデルを活用して、プライベートデータから医療知識を抽出し、この知識を集中基盤モデルに統合する。 7つのモードで12タスクを対象に実験を行い,FedKIMの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-17T15:42:29Z)
• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review [2.710010611878837]
  フェデレートラーニング(FL)は、複数の医療機関が共有することなく、分散データから共同で学ぶことを可能にする。 FLの医療分野は、疾患予測、治療のカスタマイズ、臨床試験研究などの分野をカバーしている。 FLの実装は、非IIDデータ環境におけるモデル収束、通信オーバーヘッド、複数機関の協調管理など、課題を提起する。
  論文  参考訳（メタデータ） (2024-05-22T16:59:50Z)
• Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare [14.399086205317358]
  ファンデーションモデル(FM)は、教師なし事前訓練、自己教師付き学習、微調整の指導、人間のフィードバックからの強化学習など、膨大なデータセットで訓練される。 これらのモデルは、臨床報告、診断画像、マルチモーダル患者間相互作用などの多様なデータフォームの処理を必要とする生体医学的応用に不可欠である。 FLをこれらの洗練されたモデルに組み込むことは、機密性の高い医療データのプライバシーを守りながら、分析能力を活用するという有望な戦略を示す。
  論文  参考訳（メタデータ） (2024-05-10T19:22:24Z)
• Federated Learning for Healthcare Domain -- Pipeline, Applications and Challenges [0.0]
  フェデレーション・ラーニング(Federated Learning)とは、データセンタに分散したデータセット上の機械学習モデルを開発するプロセスである。 本調査では,フェデレートラーニングのトピックにおいて,実践者が認識すべき課題,方法,アプリケーションについて紹介する。
  論文  参考訳（メタデータ） (2022-11-15T04:41:04Z)
• FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings [51.09574369310246]
  Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。 本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。 私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
  論文  参考訳（メタデータ） (2022-10-10T12:17:30Z)
• Federated Learning for Medical Applications: A Taxonomy, Current Trends, Challenges, and Future Research Directions [9.662980267339375]
  我々は, acFLの医学的応用, 特にグローバル癌診断の文脈に焦点をあてる。 acFLの最近の発展により、複雑な機械学習モデルを分散的に訓練することが可能になった。
  論文  参考訳（メタデータ） (2022-08-05T21:41:15Z)
• FederatedScope: A Comprehensive and Flexible Federated Learning Platform via Message Passing [63.87056362712879]
  我々は,メッセージ指向フレームワークを基盤とした,新しい総合的なフェデレート学習プラットフォームであるFederatedScopeを提案する。 手続き型フレームワークと比較して、提案されたメッセージ指向フレームワークは異種メッセージ交換を表現するのに柔軟である。 我々は、FederatedScopeの正確性と効率性を検証するために、提供された簡易かつ包括的なFLベンチマークについて一連の実験を行った。
  論文  参考訳（メタデータ） (2022-04-11T11:24:21Z)
• A Comprehensive Survey on Federated Learning: Concept and Applications [0.0]
  本稿では、コンポーネント、課題、アプリケーション、FL環境に重点を置いて、フェデレートラーニング(FL)の総合的研究を行う。 医療システムでは、患者のプライバシと医療状態が重要なデータであるため、協調学習や連携学習が画像に現れる。 使用しているアプリケーションの1つは、協調環境で効率的に動作可能なAI手法に基づいた、脳腫瘍診断インテリジェントシステムである。
  論文  参考訳（メタデータ） (2022-01-23T22:33:23Z)
• MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
  この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
  論文  参考訳（メタデータ） (2021-09-29T18:09:41Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)

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。