Fugu-MT 論文翻訳(概要): Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach

論文の概要: Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach

arxiv url: http://arxiv.org/abs/2406.15346v1
Date: Fri, 21 Jun 2024 17:57:39 GMT
ステータス: 処理完了
システム内更新日: 2024-06-24 12:43:51.087822
Title: Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach
Title（参考訳）: プライバシー保護型血糖値クロスプレディション:非同期分散型フェデレーション学習アプローチ
Authors: Chengzhe Piao, Taiyu Zhu, Yu Wang, Stephanie E Baldeweg, Paul Taylor, Pantelis Georgiou, Jiahao Sun, Jun Wang, Kezhi Li,
Abstract要約: 新たに診断された1型糖尿病(T1D)患者は、効果的な血液グルコース(BG)予測モデルを得るのに苦慮することが多い。 Asynchronous Decentralized Federated Learning による血糖予測である「GluADFL」を提案する。
参考スコア（独自算出の注目度）: 13.363740869325646
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Newly diagnosed Type 1 Diabetes (T1D) patients often struggle to obtain effective Blood Glucose (BG) prediction models due to the lack of sufficient BG data from Continuous Glucose Monitoring (CGM), presenting a significant "cold start" problem in patient care. Utilizing population models to address this challenge is a potential solution, but collecting patient data for training population models in a privacy-conscious manner is challenging, especially given that such data is often stored on personal devices. Considering the privacy protection and addressing the "cold start" problem in diabetes care, we propose "GluADFL", blood Glucose prediction by Asynchronous Decentralized Federated Learning. We compared GluADFL with eight baseline methods using four distinct T1D datasets, comprising 298 participants, which demonstrated its superior performance in accurately predicting BG levels for cross-patient analysis. Furthermore, patients' data might be stored and shared across various communication networks in GluADFL, ranging from highly interconnected (e.g., random, performs the best among others) to more structured topologies (e.g., cluster and ring), suitable for various social networks. The asynchronous training framework supports flexible participation. By adjusting the ratios of inactive participants, we found it remains stable if less than 70% are inactive. Our results confirm that GluADFL offers a practical, privacy-preserving solution for BG prediction in T1D, significantly enhancing the quality of diabetes management.
Abstract（参考訳）: 新たに診断された1型糖尿病(T1D)患者は、持続血糖モニタリング(CGM)の十分なBGデータがないため、効果的な血糖予測モデルを得るのに苦慮することが多い。この課題に対処するために人口モデルを活用することは潜在的な解決策であるが、プライバシーに配慮した方法で人口モデルをトレーニングするための患者データ収集は困難である。糖尿病ケアにおける「コールドスタート」問題に対するプライバシ保護と対処を考慮し,Asynchronous Decentralized Federated Learning による血糖予測である「GluADFL」を提案する。 298人の被験者からなる4つの異なるT1Dデータセットを用いて,GluADFLと8つのベースライン法を比較した。さらに、患者のデータはGluADFL内の様々な通信ネットワークに格納、共有され、高度に相互接続された(例えば、ランダムな)ものから、より構造化されたトポロジ(例えば、クラスタやリング)まで、様々なソーシャルネットワークに適したものまで様々である。非同期トレーニングフレームワークはフレキシブルな参加をサポートする。不活性な参加者の比率を調整することで、70%未満が不活性である場合、安定なままであることがわかった。以上の結果から,GluADFLはT1DにおけるBG予測のための実用的なプライバシ保護ソリューションであり,糖尿病管理の質を著しく向上させることが明らかとなった。

関連論文リスト

Hybrid Attention Model Using Feature Decomposition and Knowledge Distillation for Glucose Forecasting [6.466206145151128]
GlucoNetは、行動と生理の健康を継続的に監視するAI駆動のセンサーシステムである。本稿では,患者の行動・生理的データを組み込んだ分解型トランスフォーマーモデルを提案する。 GGlucoNetは、T1-Diabetesの12人を含むデータを用いて、RMSEの60%の改善とパラメータ数の21%削減を実現している。
論文参考訳（メタデータ） (2024-11-16T05:09:20Z)
FedGlu: A personalized federated learning-based glucose forecasting algorithm for improved performance in glycemic excursion regions [4.073768455373616]
連続グルコースモニタリング(Continuous glucose monitoring, CGM)デバイスは、血糖値のリアルタイムモニタリングと、血糖値の変動に対するタイムリーな警告を提供する。低血糖や高血糖のような希少な出来事は、その頻度が低いために依然として困難である。本稿では,血糖除去領域の性能を著しく向上させる新しいHH損失関数を提案する。
論文参考訳（メタデータ） (2024-08-25T19:51:27Z)
Federated Diabetes Prediction in Canadian Adults Using Real-world Cross-Province Primary Care Data [0.04090757602725897]
本稿では,集中型データストレージや処理を使わずに予測モデルを統合化することで,プライバシの問題を回避するためのフェデレーション学習手法を提案する。これは、カナダプライマリケアセンチネル監視ネットワーク(CPCSSN)から抽出された実際の臨床データセットを使用して、患者データを共有することなく糖尿病を予測するためのフェデレーションラーニングの最初の応用である。
論文参考訳（メタデータ） (2024-08-21T22:47:21Z)
From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。今後4年間の健康状態も予測できる。
論文参考訳（メタデータ） (2024-08-20T13:19:06Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Blood Glucose Level Prediction: A Graph-based Explainable Method with Federated Learning [1.6317061277457001]
英国では、1型糖尿病の約40万人が、インスリンの不足によるインスリンの供給に依存している。 5分毎にBGを追跡するCGMは、炭水化物摂取やインスリンデリバリーなどの要因を考慮し、効果的な血糖値予測(BGLP)を可能にする。
論文参考訳（メタデータ） (2023-12-19T19:19:35Z)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)
Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文参考訳（メタデータ） (2022-02-08T10:03:24Z)
Deep Personalized Glucose Level Forecasting Using Attention-based Recurrent Neural Networks [5.250950284616893]
本研究では,血糖予測の問題点について検討し,深いパーソナライズド・ソリューションを提供する。データを解析し、重要なパターンを検出する。実データセット上でモデルの有効性を実証的に示す。
論文参考訳（メタデータ） (2021-06-02T01:36:53Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。