論文の概要: EHRFL: Federated Learning Framework for Heterogeneous EHRs and Precision-guided Selection of Participating Clients
- arxiv url: http://arxiv.org/abs/2404.13318v1
- Date: Sat, 20 Apr 2024 08:23:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 19:29:41.212249
- Title: EHRFL: Federated Learning Framework for Heterogeneous EHRs and Precision-guided Selection of Participating Clients
- Title(参考訳): EHRFL:不均一なEHRのためのフェデレーションラーニングフレームワークと参加顧客の選択
- Authors: Jiyoun Kim, Junu Kim, Kyunghoon Hur, Edward Choi,
- Abstract要約: EHRFLは、異なる医療コーディングシステムとデータベーススキーマを持つ医療機関間での連携学習を容易にするフレームワークである。
そこで本研究では,データ潜入者を利用して,施設の適切な参加者を同定する手法を提案する。
本研究は,モデルの性能を損なうことなく,参加クライアント数を減らすための精度に基づく手法の有効性を示すものである。
- 参考スコア(独自算出の注目度): 8.808899980912184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we provide solutions to two practical yet overlooked scenarios in federated learning for electronic health records (EHRs): firstly, we introduce EHRFL, a framework that facilitates federated learning across healthcare institutions with distinct medical coding systems and database schemas using text-based linearization of EHRs. Secondly, we focus on a scenario where a single healthcare institution initiates federated learning to build a model tailored for itself, in which the number of clients must be optimized in order to reduce expenses incurred by the host. For selecting participating clients, we present a novel precision-based method, leveraging data latents to identify suitable participants for the institution. Our empirical results show that EHRFL effectively enables federated learning across hospitals with different EHR systems. Furthermore, our results demonstrate the efficacy of our precision-based method in selecting reduced number of participating clients without compromising model performance, resulting in lower operational costs when constructing institution-specific models. We believe this work lays a foundation for the broader adoption of federated learning on EHRs.
- Abstract(参考訳): 本研究では、電子健康記録のためのフェデレーション学習(EHR)において、現実的に見落とされがちな2つのシナリオに対する解決策を提供する。まず、EHRのテキストベース線形化を用いた医療機関間のフェデレーション学習を支援するフレームワークであるEHRFLを紹介する。
第2に、単一医療機関がフェデレーションラーニングを開始し、ホストが生み出す費用を削減するために、顧客数を最適化しなければならないモデルを構築するシナリオに焦点を当てる。
参加する顧客を選別するために,データ潜入者を利用して施設に適した参加者を特定する,新しい精度ベースの手法を提案する。
実験の結果, EHRFL は, 異なる EHR システムを持つ病院におけるフェデレーション学習を効果的に行うことができることがわかった。
さらに, モデル性能を損なうことなく参加客数を削減し, 機関別モデル構築における運用コストの低減を図るため, 精度に基づく手法の有効性を実証した。
我々は、この研究が、連合学習の EHR への広範な採用の基盤となると信じている。
関連論文リスト
- Automated Multi-Task Learning for Joint Disease Prediction on Electronic
Health Records [4.913895953754808]
本稿では,タスクグループとアーキテクチャの最適構成を同時に検索できるAutoDPという自動手法を提案する。
ハンドクラフトと自動化された最先端の手法の両方に対して大幅な性能向上を実現し、同時に検索コストを同時に維持する。
論文 参考訳(メタデータ) (2024-03-06T22:32:48Z) - FairEHR-CLP: Towards Fairness-Aware Clinical Predictions with
Contrastive Learning in Multimodal Electronic Health Records [16.32613026455275]
本報告では,FairEHR-CLPについて述べる。
FairEHR-CLPは2段階のプロセスで動作し、患者の人口統計、縦断データ、臨床ノートを利用する。
サブグループ間での誤差率の差異を効果的に測定する新しい公正度尺度を導入する。
論文 参考訳(メタデータ) (2024-02-01T19:24:45Z) - Active Learning Guided Federated Online Adaptation: Applications in
Medical Image Segmentation [17.91288898488217]
本稿では,医師のフィードバックをアクティブな学習を通じて取り入れた医療画像分割手法を提案する。
公開データセットを用いた実験の結果,提案手法は教師なしのオンライン適応法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-08T23:43:17Z) - Benchmarking Collaborative Learning Methods Cost-Effectiveness for
Prostate Segmentation [39.19170617818745]
我々は,MRIによる前立腺分節化問題に協調的なシナリオで対処する。
私たちの知る限りでは、コラボレーティブラーニングの問題を解決するためにコンセンサスベースの手法(CBM)が使用されるのはこれが初めてです。
論文 参考訳(メタデータ) (2023-09-29T09:47:18Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳(メタデータ) (2023-09-18T12:35:05Z) - Client Recruitment for Federated Learning in ICU Length of Stay
Prediction [2.5119455331413376]
本研究は,モデルトレーニングやクライアント採用のためのフェデレーションネットワークの開始前のステップに対処する。
モデルパフォーマンスを犠牲にすることなく、クライアントのサブセットをリクルートする方法を示し、同時に、時間を大幅に改善する。
採用された顧客によるフェデレーションでトレーニングされたモデルは、予測力とトレーニング時間の観点から、標準手順でトレーニングされたフェデレーションモデルよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2023-04-28T07:33:00Z) - DPP-based Client Selection for Federated Learning with Non-IID Data [97.1195165400568]
本稿では,統合学習(FL)のコミュニケーションボトルネックに対処するクライアント選択(CS)手法を提案する。
まず、FLにおけるCSの効果を分析し、各学習ラウンドにおけるトレーニングデータセットの多様化に参加者を適切に選択することで、FLトレーニングを加速させることができることを示す。
我々は、データプロファイリングと決定点プロセス(DPP)サンプリング技術を活用し、DPPに基づく参加者選択(FL-DP$3$S)によるフェデレートラーニング(Federated Learning)と呼ばれるアルゴリズムを開発する。
論文 参考訳(メタデータ) (2023-03-30T13:14:54Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳(メタデータ) (2023-03-24T03:14:00Z) - Straggler-Resilient Personalized Federated Learning [55.54344312542944]
フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。
これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。
提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
論文 参考訳(メタデータ) (2022-06-05T01:14:46Z) - Closing the Generalization Gap of Cross-silo Federated Medical Image
Segmentation [66.44449514373746]
クロスサイロ・フェデレーション・ラーニング (FL) は近年, 深層学習による医用画像解析において注目されている。
FLでトレーニングされたモデルと、集中的なトレーニングでトレーニングされたモデルの間にはギャップがある。
本稿では,クライアントの問題を回避し,ドリフトギャップを解消するための新しいトレーニングフレームワークであるFedSMを提案する。
論文 参考訳(メタデータ) (2022-03-18T19:50:07Z) - Personalized Cross-Silo Federated Learning on Non-IID Data [62.68467223450439]
非IIDデータは、連合学習にとって難しい課題である。
我々は、類似したデータを持つクライアント間のペアワイズコラボレーションという新しいアイデアを提案する。
論文 参考訳(メタデータ) (2020-07-07T21:38:36Z)
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。