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
- Multimodal Federated Learning in Healthcare: a Review [5.983768682145731]
フェデレートラーニング(FL)は、データを統合する必要のない分散メカニズムを提供する。
本稿では,医療分野におけるマルチモーダル・フェデレート・ラーニング(MMFL)の現状について概説する。
最先端のAI技術と、医療アプリケーションにおける患者のデータプライバシの必要性のギャップを埋めることを目指している。
論文 参考訳(メタデータ) (2023-10-14T19:43:06Z) - 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) - A Unified Review of Deep Learning for Automated Medical Coding [10.871568658278663]
本稿では,医療用符号化モデルの構成要素を汎用的に理解するための統一的な枠組みを提案する。
本フレームワークは, テキスト特徴抽出のためのエンコーダモジュール, 隠蔽表現を医療コードに変換するデコーダモジュール, 補助情報の利用の4つの主要コンポーネントに分解する。
論文 参考訳(メタデータ) (2022-01-08T09:37:23Z) - 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) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳(メタデータ) (2021-06-08T10:38:09Z) - 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) - 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。