論文の概要: Attention on Personalized Clinical Decision Support System: Federated Learning Approach

• arxiv url: http://arxiv.org/abs/2401.11736v1
• Date: Mon, 22 Jan 2024 07:24:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 15:00:09.797612
• Title: Attention on Personalized Clinical Decision Support System: Federated Learning Approach
• Title（参考訳）: パーソナライズされた臨床判断支援システム--連合学習アプローチ
• Authors: Chu Myaet Thwal, Kyi Thar, Ye Lin Tun, Choong Seon Hong
• Abstract要約: 本稿では,統合学習パラダイムの下で訓練・管理された深層学習に基づく臨床意思決定支援システムを提案する。 我々は、患者のプライバシーの安全を保証し、サイバー攻撃のリスクを克服する新しい戦略に焦点を当てる。
• 参考スコア（独自算出の注目度）: 15.642569319806716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Health management has become a primary problem as new kinds of diseases and complex symptoms are introduced to a rapidly growing modern society. Building a better and smarter healthcare infrastructure is one of the ultimate goals of a smart city. To the best of our knowledge, neural network models are already employed to assist healthcare professionals in achieving this goal. Typically, training a neural network requires a rich amount of data but heterogeneous and vulnerable properties of clinical data introduce a challenge for the traditional centralized network. Moreover, adding new inputs to a medical database requires re-training an existing model from scratch. To tackle these challenges, we proposed a deep learning-based clinical decision support system trained and managed under a federated learning paradigm. We focused on a novel strategy to guarantee the safety of patient privacy and overcome the risk of cyberattacks while enabling large-scale clinical data mining. As a result, we can leverage rich clinical data for training each local neural network without the need for exchanging the confidential data of patients. Moreover, we implemented the proposed scheme as a sequence-to-sequence model architecture integrating the attention mechanism. Thus, our objective is to provide a personalized clinical decision support system with evolvable characteristics that can deliver accurate solutions and assist healthcare professionals in medical diagnosing.
• Abstract（参考訳）: 新しい種類の疾患や複雑な症状が急速に成長する現代社会に導入され、健康管理が主要な問題となっている。 より良くスマートな医療インフラを構築することは、スマートシティの究極の目標の1つです。 私たちの知る限りでは、ニューラルネットワークモデルは、この目標を達成するための医療専門家を支援するために既に採用されています。 通常、ニューラルネットワークのトレーニングには大量のデータが必要ですが、臨床データの不均一で脆弱な特性は、従来の集中型ネットワークに課題をもたらします。 さらに、医療データベースに新しい入力を追加するには、既存のモデルをスクラッチから再トレーニングする必要がある。 これらの課題に対処するため,我々は,深層学習に基づく臨床意思決定支援システムの提案を行った。 我々は,患者プライバシの安全性を保証し,大規模臨床データマイニングを可能にしつつサイバー攻撃のリスクを克服する新たな戦略に焦点を当てた。 その結果、患者の機密データを交換することなく、各ローカルニューラルネットワークのトレーニングに豊富な臨床データを活用することができる。 さらに,アテンション機構を組み込んだシーケンス・ツー・シーケンス・モデルアーキテクチャとして提案手法を実装した。 そこで本研究の目的は, 正確なソリューションを提供し, 医療従事者の診断を支援する, 進化可能な特徴を有するパーソナライズされた臨床意思決定支援システムを提供することである。

関連論文リスト

• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning [72.2614468437919]
  本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。 我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
  論文  参考訳（メタデータ） (2022-10-21T16:31:46Z)
• Ensembling Neural Networks for Improved Prediction and Privacy in Early Diagnosis of Sepsis [13.121103500410156]
  ニューラルネットワークを組み立てることは、ニューラルネットワークの一般化エラーを改善する技術である。 この手法は医療データに対する機械学習に最適であることを示す。 より大規模なデータセットでトレーニングされた単一のモデルよりも優れた、いくつかの選択された患者固有のモデルのアンサンブルを構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-01T13:24:14Z)
• 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)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• NeuraCrypt: Hiding Private Health Data via Random Neural Networks for Public Training [64.54200987493573]
  我々は,ランダムな深層ニューラルネットワークに基づくプライベート符号化方式であるNeuraCryptを提案する。 NeuraCryptは、データ所有者のみが知っているランダムに構築されたニューラルネットワークを使用して、生の患者データをエンコードする。 我々は,NeuraCryptが,様々なX線タスクの非プライベートベースラインに対して,競合精度を達成することを示す。
  論文  参考訳（メタデータ） (2021-06-04T13:42:21Z)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis [12.02718865835448]
  AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。 慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
  論文  参考訳（メタデータ） (2020-08-14T11:19:32Z)
• Clinical Recommender System: Predicting Medical Specialty Diagnostic Choices with Neural Network Ensembles [6.015709234901588]
  本稿では,患者の最新の臨床記録に基づいて,必要な診断手順のセットを推奨するデータ駆動モデルを提案する。 これにより、医療システムは、患者の初期医療専門性診断ワークアップへのタイムリーなアクセスを拡大できる可能性がある。
  論文  参考訳（メタデータ） (2020-07-23T17:50:15Z)

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。