Fugu-MT 論文翻訳(概要): Recent Methodological Advances in Federated Learning for Healthcare

論文の概要: Recent Methodological Advances in Federated Learning for Healthcare

arxiv url: http://arxiv.org/abs/2310.02874v1
Date: Wed, 4 Oct 2023 15:09:40 GMT
ステータス: 処理完了
システム内更新日: 2023-10-05 14:41:04.419662
Title: Recent Methodological Advances in Federated Learning for Healthcare
Title（参考訳）: 医療におけるフェデレーション学習の方法論的進歩
Authors: Fan Zhang, Daniel Kreuter, Yichen Chen, S\"oren Dittmer, Samuel Tull, Tolou Shadbahr, BloodCounts! Collaboration, Jacobus Preller, James H.F. Rudd, John A.D. Aston, Carola-Bibiane Sch\"onlieb, Nicholas Gleadall, Michael Roberts
Abstract要約: フェデレートされた学習は、データのプールを必要とせずに、強力な機械学習アルゴリズムの利用を可能にする。本稿では,2015年1月から2023年2月にかけて発行されたスコパスに関するすべての論文について考察する。
参考スコア（独自算出の注目度）: 3.1548606374130026
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For healthcare datasets, it is often not possible to combine data samples from multiple sites due to ethical, privacy or logistical concerns. Federated learning allows for the utilisation of powerful machine learning algorithms without requiring the pooling of data. Healthcare data has many simultaneous challenges which require new methodologies to address, such as highly-siloed data, class imbalance, missing data, distribution shifts and non-standardised variables. Federated learning adds significant methodological complexity to conventional centralised machine learning, requiring distributed optimisation, communication between nodes, aggregation of models and redistribution of models. In this systematic review, we consider all papers on Scopus that were published between January 2015 and February 2023 and which describe new federated learning methodologies for addressing challenges with healthcare data. We performed a detailed review of the 89 papers which fulfilled these criteria. Significant systemic issues were identified throughout the literature which compromise the methodologies in many of the papers reviewed. We give detailed recommendations to help improve the quality of the methodology development for federated learning in healthcare.
Abstract（参考訳）: 医療データセットでは、倫理的、プライバシー、論理的懸念のために、複数のサイトからのデータサンプルを組み合わせることができないことが多い。フェデレーション学習は、データのプールを必要とせずに強力な機械学習アルゴリズムを活用することができる。医療データには、高度にサイロ化されたデータ、クラス不均衡、欠落データ、分散シフト、非標準変数など、新しい方法論を必要とする多くの同時的課題がある。連合学習は、分散最適化、ノード間の通信、モデルの集約、モデルの再分配を必要とする、従来の集中型機械学習に重要な方法論的複雑さをもたらす。本稿では,2015年1月から2023年2月にかけて発行された,医療データによる課題に対処する新たなフェデレーション学習手法に関する全論文について考察する。これらの基準を満たす89の論文の詳細なレビューを行った。重要な体系的な問題が文献を通じて特定され、多くの論文でその方法論を侵害した。我々は,医療におけるフェデレーション学習のための方法論開発の品質向上を支援するために,詳細な勧告を行う。

関連論文リスト

Enhancing Performance for Highly Imbalanced Medical Data via Data Regularization in a Federated Learning Setting [6.22153888560487]
本手法の目的は,心血管疾患予測のためのモデル性能を向上させることである。本手法は, 心臓血管疾患予測のための4つのデータセットにまたがって評価され, 異なるクライアントに分散している。
論文参考訳（メタデータ） (2024-05-30T19:15:38Z)
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)
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)
Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文参考訳（メタデータ） (2022-03-14T17:44:53Z)
Non-IID data and Continual Learning processes in Federated Learning: A long road ahead [58.720142291102135]
フェデレートラーニング(Federated Learning)は、複数のデバイスや機関が、データをプライベートに保存しながら、機械学習モデルを協調的にトレーニングすることを可能にする、新しいフレームワークである。本研究では,データの統計的不均一性を正式に分類し,それに直面することのできる最も顕著な学習戦略をレビューする。同時に、継続学習のような他の機械学習フレームワークからのアプローチを導入し、データの不均一性にも対処し、フェデレートラーニング設定に容易に適応できるようにします。
論文参考訳（メタデータ） (2021-11-26T09:57:11Z)
Memory-aware curriculum federated learning for breast cancer classification [2.244916866651468]
早期乳癌検診では, 定期検診が推奨される。このような階級不均衡に対する潜在的な解決策は、複数の機関で力を合わせている。近年,協調学習のための効果的なツールとして,連合学習が登場している。
論文参考訳（メタデータ） (2021-07-06T09:50:20Z)
Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文参考訳（メタデータ） (2021-06-16T07:58:00Z)
Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文参考訳（メタデータ） (2020-08-17T15:49:30Z)
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)
Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。感染発生率の低減に向けた意思決定を支援することを目的とする。
論文参考訳（メタデータ） (2020-05-07T16:13:12Z)
Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文参考訳（メタデータ） (2020-01-16T04:49:33Z)

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。