論文の概要: Revolutionizing Disease Diagnosis: A Microservices-Based Architecture
for Privacy-Preserving and Efficient IoT Data Analytics Using Federated
Learning
- arxiv url: http://arxiv.org/abs/2308.14017v1
- Date: Sun, 27 Aug 2023 06:31:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 17:37:07.584066
- Title: Revolutionizing Disease Diagnosis: A Microservices-Based Architecture
for Privacy-Preserving and Efficient IoT Data Analytics Using Federated
Learning
- Title（参考訳）: 疾病診断の革命:フェデレートラーニングを用いたプライバシ保護と効率的なIoTデータ分析のためのマイクロサービスベースのアーキテクチャ
- Authors: Safa Ben Atitallah, Maha Driss, Henda Ben Ghezala
- Abstract要約: 深層学習に基づく疾患診断の応用は、様々な疾患の段階での正確な診断に不可欠である。
処理リソースをデバイスに近づけることで、分散コンピューティングパラダイムは、病気の診断に革命をもたらす可能性がある。
本研究では、プライバシとパフォーマンス要件を満たすために、IoTデータ分析システムに対するフェデレーションベースのアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based disease diagnosis applications are essential for accurate
diagnosis at various disease stages. However, using personal data exposes
traditional centralized learning systems to privacy concerns. On the other
hand, by positioning processing resources closer to the device and enabling
more effective data analyses, a distributed computing paradigm has the
potential to revolutionize disease diagnosis. Scalable architectures for data
analytics are also crucial in healthcare, where data analytics results must
have low latency and high dependability and reliability. This study proposes a
microservices-based approach for IoT data analytics systems to satisfy privacy
and performance requirements by arranging entities into fine-grained, loosely
connected, and reusable collections. Our approach relies on federated learning,
which can increase disease diagnosis accuracy while protecting data privacy.
Additionally, we employ transfer learning to obtain more efficient models.
Using more than 5800 chest X-ray images for pneumonia detection from a publicly
available dataset, we ran experiments to assess the effectiveness of our
approach. Our experiments reveal that our approach performs better in
identifying pneumonia than other cutting-edge technologies, demonstrating our
approach's promising potential detection performance.
- Abstract（参考訳）: 深層学習に基づく疾患診断は、様々な疾患の段階で正確な診断に不可欠である。
しかし、個人データを使うことは、従来の集中型学習システムをプライバシーの懸念にさらしている。
一方、処理資源をデバイスに近づけ、より効率的なデータ分析を可能にすることにより、分散コンピューティングパラダイムは、病気の診断に革命をもたらす可能性がある。
データ分析のためのスケーラブルなアーキテクチャは、データ分析の結果が低レイテンシと高い信頼性と信頼性でなければならない医療においても重要である。
本研究では、IoTデータ分析システムに対するマイクロサービスベースのアプローチを提案し、エンティティをきめ細かな、疎結合で再利用可能なコレクションにアレンジすることで、プライバシとパフォーマンス要件を満たす。
当社のアプローチは,データプライバシを保護しながら,疾患の診断精度を向上させるためのフェデレーション学習に依存している。
さらに、より効率的なモデルを得るために転送学習を用いる。
5800枚以上の胸部X線画像を用いて,公開データセットから肺炎検出を行い,本手法の有効性を評価する実験を行った。
我々の実験は、我々のアプローチが他の最先端技術よりも肺炎の同定に優れていることを示した。
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) - Leveraging Federated Learning for Automatic Detection of Clopidogrel
Treatment Failures [0.8132630541462695]
本研究では,クロピドッグレル処理障害検出のためのフェデレーション学習戦略を活用する。
地理的中心に基づいてデータを分割し,フェデレート学習の性能を評価した。
クロピドッグレル治療障害検出におけるフェデレート学習の可能性について検討した。
論文 参考訳（メタデータ） (2024-03-05T23:31:07Z) - Building Flexible, Scalable, and Machine Learning-ready Multimodal
Oncology Datasets [17.774341783844026]
本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。
MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。
MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
論文 参考訳（メタデータ） (2023-09-30T15:44:39Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Application of federated learning techniques for arrhythmia
classification using 12-lead ECG signals [0.11184789007828977]
この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。
CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
論文 参考訳（メタデータ） (2022-08-23T14:21:16Z) - 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) - Distributed Learning Approaches for Automated Chest X-Ray Diagnosis [0.0]
医療機関のコンソーシアムが特定の疾患を特定するために機械学習モデルをトレーニングする必要がある場合、プライバシー問題に対処する戦略に焦点を当てる。
特に,本分析では,クライアントデータにおけるデータ分散の違いが,機関間のデータ交換頻度に与える影響について検討した。
論文 参考訳（メタデータ） (2021-10-04T14:22:29Z) - 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) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。