論文の概要: Medical Federated Model with Mixture of Personalized and Sharing
Components
- arxiv url: http://arxiv.org/abs/2306.14483v1
- Date: Mon, 26 Jun 2023 07:50:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 14:34:53.810985
- Title: Medical Federated Model with Mixture of Personalized and Sharing
Components
- Title（参考訳）: パーソナライズ成分と共有成分を混合した医療連帯モデル
- Authors: Yawei Zhao, Qinghe Liu, Xinwang Liu, Kunlun He
- Abstract要約: 本稿では,その問題に対処するための新しい個人化学習フレームワークを提案する。
ローカルデータ間の類似性を認識したパーソナライズされたモデルが得られる。
また,計算効率を大幅に向上させる効率的な計算コスト削減手法を提案する。
- 参考スコア（独自算出の注目度）: 31.068735334318088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although data-driven methods usually have noticeable performance on disease
diagnosis and treatment, they are suspected of leakage of privacy due to
collecting data for model training. Recently, federated learning provides a
secure and trustable alternative to collaboratively train model without any
exchange of medical data among multiple institutes. Therefore, it has draw much
attention due to its natural merit on privacy protection. However, when
heterogenous medical data exists between different hospitals, federated
learning usually has to face with degradation of performance. In the paper, we
propose a new personalized framework of federated learning to handle the
problem. It successfully yields personalized models based on awareness of
similarity between local data, and achieves better tradeoff between
generalization and personalization than existing methods. After that, we
further design a differentially sparse regularizer to improve communication
efficiency during procedure of model training. Additionally, we propose an
effective method to reduce the computational cost, which improves computation
efficiency significantly. Furthermore, we collect 5 real medical datasets,
including 2 public medical image datasets and 3 private multi-center clinical
diagnosis datasets, and evaluate its performance by conducting nodule
classification, tumor segmentation, and clinical risk prediction tasks.
Comparing with 13 existing related methods, the proposed method successfully
achieves the best model performance, and meanwhile up to 60% improvement of
communication efficiency. Source code is public, and can be accessed at:
https://github.com/ApplicationTechnologyOfMedicalBigData/pFedNet-code.
- Abstract（参考訳）: データ駆動方式は通常、疾患の診断や治療に顕著な性能を持つが、モデルトレーニングのためのデータ収集によるプライバシーの漏洩が疑われる。
近年、連合学習は、複数の機関間で医療データを交換することなく、協調的にトレーニングするモデルのセキュアで信頼性の高い代替手段を提供する。
そのため、プライバシー保護の自然なメリットから、多くの注目を集めている。
しかし、異なる病院間で異種医療データが存在する場合、連合学習は通常、パフォーマンスの低下に直面しなければならない。
本稿では,その問題に対処するための新しい個人化学習フレームワークを提案する。
ローカルデータ間の類似性の認識に基づくパーソナライズモデルの実現に成功し、従来の方法よりも一般化とパーソナライズとのトレードオフが向上した。
その後,モデルの学習過程におけるコミュニケーション効率を向上させるために,偏差正規化器を更に設計する。
さらに,計算コストを低減し,計算効率を大幅に向上させる効果的な手法を提案する。
さらに、2つの公開医療画像データセットと3つのプライベート多施設臨床診断データセットを含む5つの実際の医療データセットを収集し、結節分類、腫瘍セグメンテーション、臨床リスク予測タスクによってその性能を評価する。
既存の13の手法と比較して,提案手法は最高のモデル性能を実現し,通信効率は最大60%向上した。
ソースコードは公開されており、https://github.com/ApplicationTechnologyOfMedicalBigData/pFedNet-codeでアクセスできる。
関連論文リスト
- Improving the Classification Effect of Clinical Images of Diseases for Multi-Source Privacy Protection [0.0]
医療分野におけるプライバシーデータ保護は、データ共有に課題をもたらす。
従来の集中型トレーニング手法は、プライバシー保護原則に違反しているため、適用が難しい。
データベクトルに基づく医療プライバシデータトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-23T12:52:24Z) - Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。
従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。
このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
論文 参考訳（メタデータ） (2024-07-17T17:00:20Z) - Federated Distillation for Medical Image Classification: Towards Trustworthy Computer-Aided Diagnosis [0.0]
医用画像分類はコンピュータ支援臨床診断において重要な役割を担っている。
ディープラーニング技術は、効率を大幅に向上し、コストを削減した。
医用画像データのプライバシーに敏感な性質は、集中的な記憶とモデルの訓練を複雑にする。
本稿では,これらの問題に対処するためのフェデレーション学習に基づく,新たなプライバシ保護型医用画像分類フレームワークであるFedMICを提案する。
論文 参考訳（メタデータ） (2024-07-02T13:38:06Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。
最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。
ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文 参考訳（メタデータ） (2022-06-20T23:49:38Z) - BERT WEAVER: Using WEight AVERaging to enable lifelong learning for
transformer-based models in biomedical semantic search engines [49.75878234192369]
We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。
WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
論文 参考訳（メタデータ） (2022-02-21T10:34:41Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。
新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。
患者のプライバシー上の懸念から、データそのものはまだ乏しい。
我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文 参考訳（メタデータ） (2021-02-10T01:56:58Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。