論文の概要: Uncovering Promises and Challenges of Federated Learning to Detect
Cardiovascular Diseases: A Scoping Literature Review
- arxiv url: http://arxiv.org/abs/2308.13714v1
- Date: Sat, 26 Aug 2023 00:19:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 19:37:45.391484
- Title: Uncovering Promises and Challenges of Federated Learning to Detect
Cardiovascular Diseases: A Scoping Literature Review
- Title(参考訳): 心血管疾患検出のための連合学習の約束と課題--スコッピング文献レビュー
- Authors: Sricharan Donkada, Seyedamin Pouriyeh, Reza M. Parizi, Meng Han,
Nasrin Dehbozorgi, Nazmus Sakib, Quan Z. Sheng
- Abstract要約: 心臓血管疾患(CVD)は世界的な死因であり、早期発見は患者の予後を著しく改善する。
機械学習(ML)モデルはCVDの早期診断に役立つが、その性能はモデルトレーニングで利用可能なデータによって制限される。
フェデレートラーニング(FL)は、機械学習の新たなアプローチであり、個々のデータオーナのプライバシを損なうことなく、複数のソースのデータ上でモデルをトレーニングすることができる。
- 参考スコア(独自算出の注目度): 18.421588999399376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiovascular diseases (CVD) are the leading cause of death globally, and
early detection can significantly improve outcomes for patients. Machine
learning (ML) models can help diagnose CVDs early, but their performance is
limited by the data available for model training. Privacy concerns in
healthcare make it harder to acquire data to train accurate ML models.
Federated learning (FL) is an emerging approach to machine learning that allows
models to be trained on data from multiple sources without compromising the
privacy of the individual data owners. This survey paper provides an overview
of the current state-of-the-art in FL for CVD detection. We review the
different FL models proposed in various papers and discuss their advantages and
challenges. We also compare FL with traditional centralized learning approaches
and highlight the differences in terms of model accuracy, privacy, and data
distribution handling capacity. Finally, we provide a critical analysis of FL's
current challenges and limitations for CVD detection and discuss potential
avenues for future research. Overall, this survey paper aims to provide a
comprehensive overview of the current state-of-the-art in FL for CVD detection
and to highlight its potential for improving the accuracy and privacy of CVD
detection models.
- Abstract(参考訳): 心臓血管疾患(CVD)は世界的な死因であり、早期発見は患者の予後を大幅に改善させる。
機械学習(ML)モデルはCVDの早期診断に役立つが、その性能はモデルトレーニングで利用可能なデータによって制限される。
医療におけるプライバシーの懸念は、正確なMLモデルをトレーニングするためのデータを取得するのを難しくする。
フェデレートラーニング(FL)は、機械学習の新たなアプローチであり、個々のデータオーナのプライバシを損なうことなく、複数のソースのデータ上でモデルをトレーニングすることができる。
本稿では,CVD検出のためのFLの現状について概説する。
本稿では,様々な論文で提案されているFLモデルについて検討し,その利点と課題について論じる。
また、FLと従来の集中型学習アプローチを比較し、モデルの精度、プライバシ、データ分散処理能力の違いを強調します。
最後に,FLの現在の課題とCVD検出の限界について批判的な分析を行い,今後の研究への可能性について論じる。
本研究の目的は,CVD検出におけるFLの現状を概観し,CVD検出モデルの精度とプライバシ向上の可能性を明らかにすることである。
関連論文リスト
- Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。
本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文 参考訳(メタデータ) (2024-04-15T09:07:19Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。
提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
論文 参考訳(メタデータ) (2022-09-03T04:10:45Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳(メタデータ) (2022-04-12T12:25:05Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - 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) - Reliable and Trustworthy Machine Learning for Health Using Dataset Shift
Detection [7.263558963357268]
予測不能なMLモデルの振る舞いは、特に健康領域において、その安全性に対する深刻な懸念を引き起こす。
マハラノビス距離およびグラム行列に基づく分布外検出法は,分布外データを高精度に検出できることを示す。
次に、アウト・オブ・ディストリビューションスコアを人間の解釈可能なConFIDENCE SCOREに変換し、ユーザーの健康MLアプリケーションとのインタラクションに与える影響を調査する。
論文 参考訳(メタデータ) (2021-10-26T20:49:01Z) - Survival Prediction of Heart Failure Patients using Stacked Ensemble
Machine Learning Algorithm [0.0]
心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。
データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。
本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
論文 参考訳(メタデータ) (2021-08-30T16:42:27Z) - 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) - Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany [0.0]
いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。
ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。
本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-03T16:39:00Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z)
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。