論文の概要: EHRFL: Federated Learning Framework for Institution-Specific Model Construction using Electronic Health Records

• arxiv url: http://arxiv.org/abs/2404.13318v2
• Date: Wed, 18 Sep 2024 16:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-09-19 23:13:20.323106
• Title: EHRFL: Federated Learning Framework for Institution-Specific Model Construction using Electronic Health Records
• Title（参考訳）: EHRFL:電子カルテを用いた施設特化モデル構築のためのフェデレートラーニングフレームワーク
• Authors: Jiyoun Kim, Junu Kim, Kyunghoon Hur, Edward Choi,
• Abstract要約: フェデレーテッド・ラーニング(Federated Learning)は、患者のプライバシを保護し、規制の制約を遵守しながら、複数の機関からのデータのトレーニングを可能にする。 多くのフェデレートラーニング研究は、複数の顧客のためのグローバルモデルの構築に焦点を合わせ、制度特化モデルの実践的ニーズを見越すことに重点を置いている。 EHRFLは、単一の医療機関に適したモデルを開発するために設計された、EHRを用いた連合学習フレームワークである。
• 参考スコア（独自算出の注目度）: 8.808899980912184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing volume of electronic health records (EHRs) across healthcare institutions presents the opportunity to enhance model accuracy and robustness in clinical prediction tasks. Federated learning enables training on data from multiple institutions while preserving patient privacy and complying to regulatory constraints. However, most federated learning research focuses on constructing a global model for multiple clients, overlooking the practical need for institution-specific models. In this work, we introduce EHRFL, a federated learning framework using EHRs designed to develop a model tailored to a single healthcare institution. Our framework addresses two key challenges: (1) enabling federated learning across institutions with heterogeneous EHR systems using text-based EHR modeling, and (2) reducing the costs associated with federated learning by selecting suitable participating clients using averaged patient embeddings, which enables optimizing the number of participants without compromising model performance for the institution. Our experiment results on multiple open-source EHR datasets demonstrate the effectiveness of EHRFL in addressing the two challenges, establishing it as a practical solution for institution-specific model development in federated learning.
• Abstract（参考訳）: 医療機関全体の電子健康記録(EHR)の増加は、臨床予測タスクにおけるモデル精度と堅牢性を高める機会を提供する。 フェデレーテッド・ラーニング(Federated Learning)は、患者のプライバシを保護し、規制の制約を遵守しながら、複数の機関からのデータのトレーニングを可能にする。 しかし,ほとんどのフェデレート学習研究は,複数の顧客を対象としたグローバルモデルの構築に重点を置いている。 本研究では,1つの医療機関に適したモデルの開発を目的とした,EHRを用いた連合学習フレームワークであるEHRFLを紹介する。 本フレームワークは,1)テキストベースのEHRモデリングを用いて,異種EHRシステムを持つ機関間でのフェデレーション学習を可能にすること,2)平均的な患者埋め込みを用いて,適切な参加顧客を選択することで,フェデレーション学習に関連するコストを削減すること,そして,モデル性能を損なうことなく参加者数を最適化すること,の2つの課題に対処する。 この2つの課題に対処する上で,複数のオープンソース EHR データセットを用いた実験により EHRFL の有効性を実証し,フェデレートラーニングにおける機関固有のモデル開発のための実践的ソリューションとして確立した。

関連論文リスト

• FedReMa: Improving Personalized Federated Learning via Leveraging the Most Relevant Clients [13.98392319567057]
  Federated Learning (FL) は分散機械学習のパラダイムであり、分散計算と周期モデル合成によってグローバルに堅牢なモデルを実現する。 広く採用されているにもかかわらず、既存のFLとPFLの作業は、クラス不均衡の問題に包括的に対処していない。 本稿では,適応型クライアント間コラーニング手法を用いて,クラス不均衡に対処できる効率的なPFLアルゴリズムであるFedReMaを提案する。
  論文  参考訳（メタデータ） (2024-11-04T05:44:28Z)
• DAMe: Personalized Federated Social Event Detection with Dual Aggregation Mechanism [55.45581907514175]
  本稿では,ソーシャルイベント検出のための二重集約機構,すなわちDAMeを用いた個人化学習フレームワークを提案する。 クライアントの好みに関する最大限の外部知識を提供するため,グローバルアグリゲーション戦略を導入する。 さらに、ローカルなオーバーフィッティングやクライアントドリフトを防止するために、グローバルなローカルイベント中心の制約を組み込んでいます。
  論文  参考訳（メタデータ） (2024-09-01T04:56:41Z)
• FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models [54.09244105445476]
  本研究は,フェデレート・ラーニング・フレームワーク内で医療基盤モデルを拡張するための新しい知識注入手法であるFedKIMを紹介する。 FedKIMは軽量なローカルモデルを活用して、プライベートデータから医療知識を抽出し、この知識を集中基盤モデルに統合する。 7つのモードで12タスクを対象に実験を行い,FedKIMの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-17T15:42:29Z)
• Automated Multi-Task Learning for Joint Disease Prediction on Electronic Health Records [4.159498069487535]
  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)
• Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions [48.0590120095748]
  本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。 我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2024-01-20T15:14:14Z)
• Learn What You Need in Personalized Federated Learning [53.83081622573734]
  $textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。 我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法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） (2024-01-16T12:45:15Z)
• 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)
• Multi-Site Clinical Federated Learning using Recursive and Attentive Models and NVFlare [13.176351544342735]
  本稿では、データプライバシと規制コンプライアンスの課題に対処する統合フレームワークを開発する。 これには、データのプライバシと規制コンプライアンスの課題に対処し、高い精度を維持し、提案されたアプローチの有効性を実証する統合フレームワークの開発が含まれている。
  論文  参考訳（メタデータ） (2023-06-28T17:00:32Z)
• Federated Uncertainty-Aware Aggregation for Fundus Diabetic Retinopathy Staging [42.883182872565044]
  本稿では,糖尿病網膜症(DR)ステージリングモデルのトレーニングのための新しいフェデレート不確実性認識集約パラダイム(FedUAA)を提案する。 FedUAAは各クライアントの信頼性を考慮し、DRステージングに対する信頼度を推定する。 実験の結果,FedUAAは,他のフェデレート学習法と比較して,信頼性の高いDRステージング性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-03-23T04:41:44Z)
• FedStack: Personalized activity monitoring using stacked federated learning [12.792461572028449]
  フェデレーション学習は、データのプライバシを高めるように設計された比較的新しいAI技術である。 従来のフェデレート学習では、ローカルクライアントとグローバルサーバをまたいでトレーニングされるのと同じアーキテクチャモデルが必要です。 この研究は、分散型アプローチで入院中の患者に対して保護されたプライバシシステムを提供する。
  論文  参考訳（メタデータ） (2022-09-27T00:12:44Z)
• Competence-based Multimodal Curriculum Learning for Medical Report Generation [98.10763792453925]
  本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。 具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。 パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-06-24T08:16:01Z)
• 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)
• Federated Self-supervised Learning for Heterogeneous Clients [20.33482170846688]
  異種クライアント上でのフェデレーションによる自己教師型学習を実現するための統一的かつ体系的なフレームワークであるemphHeterogeneous Self-supervised Federated Learning (Hetero-SSFL)を提案する。 提案したフレームワークは、アーキテクチャ上の制約やラベル付きデータの存在を伴わずに、すべてのクライアントをまたいだ表現学習を可能にする。 我々は,提案手法が最先端の手法よりも優れていることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-05-25T05:07:44Z)
• PerFED-GAN: Personalized Federated Learning via Generative Adversarial Networks [46.17495529441229]
  フェデレーション学習(Federated Learning)は、AI依存のIoTアプリケーションをデプロイするために使用できる分散機械学習手法である。 本稿では,協調学習とGANに基づく連合学習手法を提案する。 提案手法は,クライアントのモデルアーキテクチャとデータ分布が大きく異なる場合,既存手法の精度を平均42%向上させる。
  論文  参考訳（メタデータ） (2022-02-18T12:08:46Z)
• Adapt to Adaptation: Learning Personalization for Cross-Silo Federated Learning [6.0088002781256185]
  従来のフェデレーション学習は、分散データによるクライアントのフェデレーションのためのグローバルモデルをトレーニングすることを目的としている。 非IIDデータセット間の分散シフトは、データヘテロジニティとしても知られ、この1つのグローバルモデルに適合するソリューションにしばしば挑戦する。 我々は、各クライアントが他のクライアントのモデルからどれだけの恩恵を受けることができるかを適応的に学習するパーソナライズされたクロスサイロFLフレームワークであるAPPLEを提案する。
  論文  参考訳（メタデータ） (2021-10-15T22:23:14Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Toward Understanding the Influence of Individual Clients in Federated Learning [52.07734799278535]
  フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。 em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
  論文  参考訳（メタデータ） (2020-12-20T14:34:36Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Federated Mutual Learning [65.46254760557073]
  Federated Mutual Leaning (FML)は、クライアントが汎用モデルとパーソナライズされたモデルを独立してトレーニングすることを可能にする。 実験により、FMLは一般的なフェデレート学習環境よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-27T09:35:03Z)
• Anonymizing Data for Privacy-Preserving Federated Learning [3.3673553810697827]
  我々は,フェデレートラーニングの文脈において,プライバシを提供するための最初の構文的アプローチを提案する。 当社のアプローチは,プライバシの保護レベルをサポートしながら,実用性やモデルの性能を最大化することを目的としている。 医療領域における2つの重要な課題について,100万人の患者の実世界電子健康データを用いて包括的実証評価を行った。
  論文  参考訳（メタデータ） (2020-02-21T02:30:16Z)

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。