論文の概要: Hybrid quantum image classification and federated learning for hepatic steatosis diagnosis
- arxiv url: http://arxiv.org/abs/2311.02402v2
- Date: Thu, 28 Mar 2024 20:01:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 20:26:59.921600
- Title: Hybrid quantum image classification and federated learning for hepatic steatosis diagnosis
- Title（参考訳）: 肝脂肪症診断のためのハイブリッド量子画像分類とフェデレーション学習
- Authors: Luca Lusnig, Asel Sagingalieva, Mikhail Surmach, Tatjana Protasevich, Ovidiu Michiu, Joseph McLoughlin, Christopher Mansell, Graziano de' Petris, Deborah Bonazza, Fabrizio Zanconati, Alexey Melnikov, Fabio Cavalli,
- Abstract要約: 実世界の臨床データを利用して非アルコール性肝脂肪症を正確に評価するハイブリッド量子ニューラルネットワークモデルを提案する。
このモデルでは画像分類精度が97%に達し、従来の手法を1.8%上回る。
- 参考スコア（独自算出の注目度）: 0.023610981578132715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the realm of liver transplantation, accurately determining hepatic steatosis levels is crucial. Recognizing the essential need for improved diagnostic precision, particularly for optimizing diagnosis time by swiftly handling easy-to-solve cases and allowing the expert time to focus on more complex cases, this study aims to develop cutting-edge algorithms that enhance the classification of liver biopsy images. Additionally, the challenge of maintaining data privacy arises when creating automated algorithmic solutions, as sharing patient data between hospitals is restricted, further complicating the development and validation process. This research tackles diagnostic accuracy by leveraging novel techniques from the rapidly evolving field of quantum machine learning, known for their superior generalization abilities. Concurrently, it addresses privacy concerns through the implementation of privacy-conscious collaborative machine learning with federated learning. We introduce a hybrid quantum neural network model that leverages real-world clinical data to assess non-alcoholic liver steatosis accurately. This model achieves an image classification accuracy of 97%, surpassing traditional methods by 1.8%. Moreover, by employing a federated learning approach that allows data from different clients to be shared while ensuring privacy, we maintain an accuracy rate exceeding 90%. This initiative marks a significant step towards a scalable, collaborative, efficient, and dependable computational framework that aids clinical pathologists in their daily diagnostic tasks.
- Abstract（参考訳）: 肝移植の領域では,肝脂肪症レベルを正確に判定することが重要である。
本研究の目的は, 診断精度の向上, 特に診断時間を最適化し, 解決し易い症例を迅速に処理し, 専門家がより複雑な症例に焦点を合わせることにある。
さらに、病院間での患者データの共有が制限され、開発と検証プロセスが複雑になるため、自動化されたアルゴリズムソリューションを作成する際に、データのプライバシを維持するという課題が生じる。
この研究は、量子機械学習の急速に進化する分野から新しい技術を活用することで、診断精度に取り組み、その優れた一般化能力で知られている。
同時に、プライバシを意識したコラボレーティブ機械学習とフェデレーション学習を実装することで、プライバシの懸念に対処する。
実世界の臨床データを利用して非アルコール性肝脂肪症を正確に評価するハイブリッド量子ニューラルネットワークモデルを提案する。
このモデルでは画像分類精度が97%に達し、従来の手法を1.8%上回る。
さらに、異なるクライアントからのデータを共有しながら、プライバシを確保するためのフェデレート学習アプローチを採用することで、90%を超える精度を維持します。
このイニシアチブは、スケーラブルで、協調的で、効率的で、信頼性の高い計算フレームワークへの重要な一歩であり、臨床病理医が日々の診断作業を支援する。
関連論文リスト
- A Holistic Weakly Supervised Approach for Liver Tumor Segmentation with Clinical Knowledge-Informed Label Smoothing [17.798774864007505]
肝がんは世界中で死亡率の高い原因である。
ディープラーニングは、自動肝セグメンテーションを約束している。
これらの課題に対処する新しい全体的弱教師付きフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-13T20:52:25Z) - 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) - A Robust Ensemble Algorithm for Ischemic Stroke Lesion Segmentation: Generalizability and Clinical Utility Beyond the ISLES Challenge [30.611482996378683]
画像と疾患の多様性は、臨床価値を持つ一般化可能なAIアルゴリズムの開発を妨げる。
2022 Ischemic Stroke Lesion (ISLES) から得られた新しいアンサンブルアルゴリズムを提案する。
トップパフォーマンスのアルゴリズムを、個々のソリューションの限界を克服するアンサンブルモデルに組み合わせました。
論文 参考訳（メタデータ） (2024-03-28T13:56:26Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Multicenter automatic detection of invasive carcinoma on breast whole
slide images [0.0]
実践者が信頼できる高速で信頼性の高いアルゴリズムを開発するのは難しい。
本稿では,乳腺全スライディング画像から浸潤癌を検出し,発見するために,畳み込みニューラルネットワークを組み込んだパッチベースのアルゴリズムについて述べる。
論文 参考訳（メタデータ） (2023-01-17T10:30:34Z) - Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。
医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。
外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文 参考訳（メタデータ） (2022-07-01T14:17:11Z) - 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) - 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) - Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文 参考訳（メタデータ） (2021-12-06T16:30:43Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z)
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。