論文の概要: Fair Evaluation of Federated Learning Algorithms for Automated Breast Density Classification: The Results of the 2022 ACR-NCI-NVIDIA Federated Learning Challenge
- arxiv url: http://arxiv.org/abs/2405.14900v1
- Date: Wed, 22 May 2024 19:54:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 19:48:22.524045
- Title: Fair Evaluation of Federated Learning Algorithms for Automated Breast Density Classification: The Results of the 2022 ACR-NCI-NVIDIA Federated Learning Challenge
- Title（参考訳）: 自動乳房密度分類のためのフェデレーション学習アルゴリズムの評価:2022年ACR-NCI-NVIDIAフェデレーション学習課題の結果
- Authors: Kendall Schmidt, Benjamin Bearce, Ken Chang, Laura Coombs, Keyvan Farahani, Marawan Elbatele, Kaouther Mouhebe, Robert Marti, Ruipeng Zhang, Yao Zhang, Yanfeng Wang, Yaojun Hu, Haochao Ying, Yuyang Xu, Conrad Testagrose, Mutlu Demirer, Vikash Gupta, Ünal Akünal, Markus Bujotzek, Klaus H. Maier-Hein, Yi Qin, Xiaomeng Li, Jayashree Kalpathy-Cramer, Holger R. Roth,
- Abstract要約: 乳房密度分類FLチャレンジは、American College of Radiologyと共同で開催された。
参加者は3つの模擬医療施設にFLを実装可能なドッカーコンテナを提出することができた。
優勝したFLは、挑戦テストデータで0.653点、外部テストデータセットで0.413点に達した。
- 参考スコア（独自算出の注目度）: 27.453538319541472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The correct interpretation of breast density is important in the assessment of breast cancer risk. AI has been shown capable of accurately predicting breast density, however, due to the differences in imaging characteristics across mammography systems, models built using data from one system do not generalize well to other systems. Though federated learning (FL) has emerged as a way to improve the generalizability of AI without the need to share data, the best way to preserve features from all training data during FL is an active area of research. To explore FL methodology, the breast density classification FL challenge was hosted in partnership with the American College of Radiology, Harvard Medical School's Mass General Brigham, University of Colorado, NVIDIA, and the National Institutes of Health National Cancer Institute. Challenge participants were able to submit docker containers capable of implementing FL on three simulated medical facilities, each containing a unique large mammography dataset. The breast density FL challenge ran from June 15 to September 5, 2022, attracting seven finalists from around the world. The winning FL submission reached a linear kappa score of 0.653 on the challenge test data and 0.413 on an external testing dataset, scoring comparably to a model trained on the same data in a central location.
- Abstract（参考訳）: 乳がんリスクの評価には乳腺密度の正確な解釈が重要である。
AIは乳房密度を正確に予測できることが示されているが、マンモグラフィーシステム間の画像特性の違いのため、あるシステムから構築されたモデルは、他のシステムではうまく一般化できない。
FL(Federated Learning)は、データの共有を必要とせずにAIの一般化性を改善する手段として登場したが、FL中のすべてのトレーニングデータから特徴を保存する最善の方法は、研究の活発な領域である。
FL法を探求するために、乳腺密度分類FLチャレンジは、アメリカン・カレッジ・オブ・ラジオロジー(American College of Radiology)、ハーバード・メディカル・スクール(Harvard Medical School)のマッサージ・ジェネラル・ブリガム(Mass General Brigham)、コロラド大学、NVIDIA、国立衛生国立がん研究所(National Institutes of Health National Cancer Institute)と共同で開催された。
参加者は3つの模擬医療施設にFLを実装可能なドッカーコンテナを提出することができ、それぞれにユニークな大きなマンモグラフィーデータセットが含まれている。
FL挑戦は2022年6月15日から9月5日まで行われ、世界中から7人のファイナリストが集まった。
優勝したFLは、チャレンジテストデータで0.653、外部テストデータセットで0.413のリニアカッパスコアに達し、中心位置で同じデータでトレーニングされたモデルと同等のスコアを得た。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - Deep Learning Predicts Mammographic Breast Density in Clinical Breast Ultrasound Images [0.0]
マンモグラフィーの乳腺密度は 乳がんの最大の危険因子の1つです
乳房超音波(BUS)は、乳がんスクリーニング法の一種である。
本研究の目的は,BUS画像からBI-RADS乳房密度を予測する人工知能(AI)モデルを検討することである。
論文 参考訳（メタデータ） (2024-10-31T21:28:20Z) - FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - AI Models Close to your Chest: Robust Federated Learning Strategies for
Multi-site CT [3.0888799865182395]
医学におけるAI研究は、多種多様なデータソースの少ないロコリージョンの患者コホートに重点を置いている。
フェデレーション・ラーニング(FL)は、データ共有なしに病院間での学習を可能にするAI開発のための潜在的経路の1つである。
新型コロナウイルスの胸部CTデータセットの最大かつ多彩な1つについて,様々なFL戦略の結果を示す。
論文 参考訳（メタデータ） (2023-03-23T13:38:29Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS)
Benchmark [48.30502612686276]
肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。
現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。
2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。
簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
論文 参考訳（メタデータ） (2022-01-03T03:06:38Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - Deep-LIBRA: Artificial intelligence method for robust quantification of
breast density with independent validation in breast cancer risk assessment [2.0369879867185143]
現在の連邦法では、乳房検診中の女性全員の乳房密度の報告を義務付けている。
本稿では,デジタルマンモグラムから乳房比密度(PD)を推定する人工知能(AI)手法を提案する。
論文 参考訳（メタデータ） (2020-11-13T15:21:17Z) - Federated Learning for Breast Density Classification: A Real-World
Implementation [19.03378677235258]
世界中の7つの臨床機関が、乳房画像・報告・データシステム(BI-RADS)に基づく乳房密度分類モデルのトレーニングに参加した。
すべてのサイトからデータセットにかなりの違いがあるにも関わらず、フェデレーションにおけるAIモデルのトレーニングに成功できることが示されています。
その結果、FLを用いて訓練されたモデルは、研究所のローカルデータだけで訓練されたモデルよりも平均6.3%良い結果が得られた。
論文 参考訳（メタデータ） (2020-09-03T18:34:59Z) - A completely annotated whole slide image dataset of canine breast cancer
to aid human breast cancer research [6.960375869417005]
ヒト乳癌の現在のデータセットは、スライド画像全体(WSI)の小さなサブセットに対してのみアノテーションを提供する。
MF に完全付加した CMC の 21 WSI の新たなデータセットを提案する。
我々は機械学習を用いて、未検出のMFを同定した。
論文 参考訳（メタデータ） (2020-08-24T08:06:55Z)
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。