論文の概要: Vertical Federated Alzheimer's Detection on Multimodal Data
- arxiv url: http://arxiv.org/abs/2312.10237v2
- Date: Tue, 19 Dec 2023 15:44:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 12:32:43.473892
- Title: Vertical Federated Alzheimer's Detection on Multimodal Data
- Title(参考訳): マルチモーダルデータを用いた垂直フェデレーションアルツハイマーの検出
- Authors: Paul K. Mandal
- Abstract要約: 分散データからトレーニングできるHIPAA準拠のフレームワークを紹介します。
次に,アルツハイマー病検出のための多モード垂直フェデレーションモデルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In the era of rapidly advancing medical technologies, the segmentation of
medical data has become inevitable, necessitating the development of privacy
preserving machine learning algorithms that can train on distributed data.
Consolidating sensitive medical data is not always an option particularly due
to the stringent privacy regulations imposed by the Health Insurance
Portability and Accountability Act (HIPAA). In this paper, we introduce a HIPAA
compliant framework that can train from distributed data. We then propose a
multimodal vertical federated model for Alzheimer's Disease (AD) detection, a
serious neurodegenerative condition that can cause dementia, severely impairing
brain function and hindering simple tasks, especially without preventative
care. This vertical federated model offers a distributed architecture that
enables collaborative learning across diverse sources of medical data while
respecting privacy constraints imposed by HIPAA. It is also able to leverage
multiple modalities of data, enhancing the robustness and accuracy of AD
detection. Our proposed model not only contributes to the advancement of
federated learning techniques but also holds promise for overcoming the hurdles
posed by data segmentation in medical research. By using vertical federated
learning, this research strives to provide a framework that enables healthcare
institutions to harness the collective intelligence embedded in their
distributed datasets without compromising patient privacy.
- Abstract(参考訳): 急速に進歩する医療技術の時代には、医療データのセグメンテーションは避けられなくなり、分散データでトレーニングできるプライバシー保護機械学習アルゴリズムの開発が必要とされるようになった。
hipaa(health insurance portability and accountability act)によって課される厳格なプライバシー規制のため、機密性の高い医療データの統合は必ずしも選択肢ではない。
本稿では,分散データからトレーニングできるHIPAA準拠のフレームワークを提案する。
次に,認知症,脳機能障害,簡単な作業,特に予防的ケアを伴わない重症神経変性疾患であるアルツハイマー病(AD)検出のための多モード垂直フェデレーションモデルを提案する。
この垂直連合モデルは、HIPAAが課したプライバシー制約を尊重しながら、さまざまな医療データのソースをまたいだ協調学習を可能にする分散アーキテクチャを提供する。
また、複数のデータモダリティを活用でき、AD検出の堅牢性と精度を高めることができる。
提案モデルは,連合学習技術の進歩に寄与するだけでなく,医学研究におけるデータセグメンテーションのハードルを克服する可能性を秘めている。
縦型連合学習を用いることで、医療機関が患者のプライバシを損なうことなく、分散データセットに埋め込まれた集団知能を活用できるフレームワークを提供することを目指している。
関連論文リスト
- Generative AI-Driven Human Digital Twin in IoT-Healthcare: A
Comprehensive Survey [56.89257974393749]
IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。
ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。
HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。
最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
論文 参考訳(メタデータ) (2024-01-22T03:17:41Z) - Architecture of Data Anomaly Detection-Enhanced Decentralized Expert
System for Early-Stage Alzheimer's Disease Prediction [0.0]
アルツハイマー病(英: Alzheimer's Disease)は、患者の症状を早期かつ正確に検出する必要がある世界的な健康問題である。
本研究では、ブロックチェーン技術と人工知能(AI)を組み合わせて、患者送信データに対する堅牢な異常検出を統合する、画期的な分散型エキスパートシステムを提案する。
論文 参考訳(メタデータ) (2023-11-01T08:56:03Z) - Balancing Privacy and Progress in Artificial Intelligence: Anonymization
in Histopathology for Biomedical Research and Education [1.8078387709049526]
医療データを“可能な限りオープン”に転送することは、患者のプライバシにリスクをもたらす。
既存の規制は、再識別リスクを避けるため、医療データを「必要に応じてクローズド」し続けるよう推進している。
本稿では,医療データ共有に関する法的規制と用語について考察する。
論文 参考訳(メタデータ) (2023-07-18T16:53:07Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Bringing the Algorithms to the Data -- Secure Distributed Medical
Analytics using the Personal Health Train (PHT-meDIC) [1.451998131020241]
パーソナルヘルストレイン(PHT)パラダイムは、"データへのアルゴリズム"パラダイムを実装している。
本稿では,PHT概念のオープンソース実装であるPHT-meDICを提案する。
論文 参考訳(メタデータ) (2022-12-07T06:29:15Z) - Framework Construction of an Adversarial Federated Transfer Learning
Classifier [0.0]
我々は、患者データのプライバシーを確保するために、フェデレートされた学習プラットフォームを利用する新しい診断フレームワークを提供する。
我々のフレームワークは、生成的対向ネットワークを使うのではなく、識別モデルを用いて複数の分類損失関数を構築する。
また、大量のラベル付きデータを集めることの難しさや、大量のサンプルデータを生成するコストも回避している。
論文 参考訳(メタデータ) (2022-11-09T08:16:08Z) - 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) - Personalized Federated Learning with Clustering: Non-IID Heart Rate
Variability Data Application [0.1465840097113565]
本稿では,階層的クラスタリングに基づくFLプロセスであるPersonalized Federated Cluster Modelsを提案し,心拍変動からうつ病の重症度を予測する。
クライアントがよりパーソナライズされたモデルを受けられるようにすることで、非IIDデータによる問題に対処し、重大度予測の精度が向上することを示す。
論文 参考訳(メタデータ) (2021-08-04T08:24:23Z) - 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)
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。