論文の概要: A Distributed Privacy Preserving Model for the Detection of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2312.10237v3
- Date: Thu, 15 Aug 2024 17:10:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-16 19:04:55.780162
- Title: A Distributed Privacy Preserving Model for the Detection of Alzheimer's Disease
- Title（参考訳）: アルツハイマー病検出のための分散型プライバシ保存モデル
- Authors: Paul K. Mandal,
- Abstract要約: アルツハイマー病(AD)の診断に有効な縦型フェデレート学習モデルの検討
複数のデータモダリティを活用することにより、AD検出の堅牢性と精度を向上させることができる。
- 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: BACKGROUND: Segmentation of medical data, concerns about personal health information (PHI) breaches, and the direct and indirect costs of consolidating and managing such segmented date should motivate diagnostic machine learning (DML) researchers to identify privacy-preserving machine learning algorithms that can train on distributed or decentralized datasets of different modalities. Federated learning models provide such a decentralized machine learning framework in which multiple investigators in possession of disparate datasets and working on different devices or servers can train collaboratively a global machine learning models without ever having to exchange local data and thus can meet statutory PHI protections. To this end, a vertical federate learning model is devised and tested for efficacy in the detection of Alzheimer's Disease (AD). METHODS: The second version of Open Access Series of Imaging Studies -- with its panoply of demographic, imaging, and clinical assessment datasets -- was used to test a multimodal vertical federated learning (VFL) model for AD detection. RESULTS: By training and validating this VFL model on the demographic, clinical, and MRI data in OASIS-2, an 82.9\% accuracy rate is achieved, consistent with previously reported results. CONCLUSIONS: The VFL architecture proposed herein offers a novel distributed architecture, enabling collaborative learning across diverse sources of medical data while respecting statutory privacy constraints. By leveraging multiple modalities of data, the robustness and accuracy of AD detection can be enhanced. This 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.
- Abstract（参考訳）: BACKGROUND: 医療データのセグメンテーション、個人健康情報(PHI)の漏洩に関する懸念、そして、そのようなセグメンテーションされた日付を統合管理するための直接的かつ間接的なコストは、診断機械学習(DML)研究者を動機付け、異なるモダリティの分散または分散化されたデータセットでトレーニング可能なプライバシー保護機械学習アルゴリズムを特定することが必要です。
フェデレートされた学習モデルは、異なるデータセットを所有し、異なるデバイスやサーバで作業している複数の研究者が、ローカルデータを交換することなく、グローバルな機械学習モデルを協調的にトレーニングし、法定のPHI保護を満たすことのできる、分散化された機械学習フレームワークを提供する。
この目的のために,アルツハイマー病(AD)の診断に有効な縦型フェデレート学習モデルを考案し,その有効性を検証した。
METHODS: Open Access Series of Imaging Studiesの第2版(人口統計、画像、臨床評価データセット)は、AD検出のための多モード垂直統合学習(VFL)モデルをテストするために使用された。
結果: OASIS-2の統計,臨床,MRIデータに基づいて,このVFLモデルをトレーニングし,検証することにより,従来報告された結果と一致して,82.9%の精度が達成される。
CONCLUSIONS: ここで提案されたVFLアーキテクチャは、新しい分散アーキテクチャを提供し、法的な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。
複数のデータモダリティを活用することにより、AD検出の堅牢性と精度を向上させることができる。
このモデルは、フェデレーション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によるハードルを克服する公約も持つ。
関連論文リスト
- FedCL-Ensemble Learning: A Framework of Federated Continual Learning with Ensemble Transfer Learning Enhanced for Alzheimer's MRI Classifications while Preserving Privacy [0.0]
本研究は,ResNet,ImageNet,VNetなどの伝達学習モデルを用いて,医用画像データから高次特徴を抽出する。
提案モデルは, 患者データを共有することなく, フェデレーション学習を用いて構築された。
論文 参考訳（メタデータ） (2024-11-15T13:49:22Z) - Future-Proofing Medical Imaging with Privacy-Preserving Federated Learning and Uncertainty Quantification: A Review [14.88874727211064]
AIはすぐに、病気の診断、予後、治療計画、治療後の監視のための臨床実践のルーチンになるかもしれない。
患者のデータを取り巻くプライバシー上の懸念は、医療画像にAIが広く採用される上で大きな障壁となる。
Federated Learning(FL)は、機密データを共有することなく、AIモデルを協調的にトレーニングするためのソリューションを提供する。
論文 参考訳（メタデータ） (2024-09-24T16:55:32Z) - FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。
FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
論文 参考訳（メタデータ） (2024-08-17T15:18:56Z) - Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review [2.710010611878837]
フェデレートラーニング(FL)は、複数の医療機関が共有することなく、分散データから共同で学ぶことを可能にする。
FLの医療分野は、疾患予測、治療のカスタマイズ、臨床試験研究などの分野をカバーしている。
FLの実装は、非IIDデータ環境におけるモデル収束、通信オーバーヘッド、複数機関の協調管理など、課題を提起する。
論文 参考訳（メタデータ） (2024-05-22T16:59:50Z) - Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。
eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。
医療データは水平および垂直に分割される。
HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
論文 参考訳（メタデータ） (2024-04-15T19:45:07Z) - Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems [1.8434042562191815]
インターネット・オブ・メディカル・モノ(IoMT)は、従来の医療境界を超越し、反応性治療から予防への転換を可能にする。
その利点は、処理されたデータの感度と価値のために、ユーザの生活を危険にさらす、重大なセキュリティ上の課題に対処されている。
新しいIDS(Intrusion Detection Systems)フレームワークを導入し、ANN(Artificial Neural Networks)を侵入検知に利用し、FL(Federated Learning)をプライバシ保護に活用する。
論文 参考訳（メタデータ） (2024-03-14T11:57:26Z) - 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) - 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) - Differentially private federated deep learning for multi-site medical
image segmentation [56.30543374146002]
フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。
近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。
しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
論文 参考訳（メタデータ） (2021-07-06T12:57:32Z) - 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。