Fugu-MT 論文翻訳(概要): Privacy Preserving Machine Learning for Electronic Health Records using Federated Learning and Differential Privacy

論文の概要: Privacy Preserving Machine Learning for Electronic Health Records using Federated Learning and Differential Privacy

arxiv url: http://arxiv.org/abs/2406.15962v1
Date: Sun, 23 Jun 2024 00:01:03 GMT
ステータス: 処理完了
システム内更新日: 2024-06-25 19:43:16.047921
Title: Privacy Preserving Machine Learning for Electronic Health Records using Federated Learning and Differential Privacy
Title（参考訳）: フェデレーションラーニングと差分プライバシを用いた電子健康記録のためのプライバシ保存機械学習
Authors: Naif A. Ganadily, Han J. Xia,
Abstract要約: 患者記録には、社会保障番号(SSN)や住宅住所など、非常に機密性の高い情報が含まれている。 MLアルゴリズムは、患者のデータを抽出して分析し、患者のケアを改善するために使用することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: An Electronic Health Record (EHR) is an electronic database used by healthcare providers to store patients' medical records which may include diagnoses, treatments, costs, and other personal information. Machine learning (ML) algorithms can be used to extract and analyze patient data to improve patient care. Patient records contain highly sensitive information, such as social security numbers (SSNs) and residential addresses, which introduces a need to apply privacy-preserving techniques for these ML models using federated learning and differential privacy.
Abstract（参考訳）: 電子健康記録(Electronic Health Record、EHR)は、医療提供者が患者の診断、治療、費用、その他の個人情報を保管するために使用する電子データベースである。機械学習(ML)アルゴリズムは、患者のデータを抽出して分析し、患者のケアを改善する。患者記録には、社会保障番号(SSN)や住宅住所などの機密性の高い情報が含まれており、これらMLモデルにフェデレートラーニングと差分プライバシを使用してプライバシ保護技術を適用する必要がある。

関連論文リスト

S3PHER: Secure and Searchable System for Patient-driven HEalth data shaRing [0.0]
患者と介護者の健康データを共有するための現在のシステムは、プライバシ、機密性、同意管理といった重要なセキュリティ要件を完全には解決していない。 S3PHERは、医療データを共有するための新しいアプローチであり、患者にデータにアクセスする人、データにアクセスする人、そしていつアクセスされるかを制御する。
論文参考訳（メタデータ） (2024-04-17T13:31:50Z)
Leveraging Generative AI Models for Synthetic Data Generation in Healthcare: Balancing Research and Privacy [0.0]
GANやVAEといった生成AIモデルは、貴重なデータアクセスと患者のプライバシ保護のバランスをとるための、有望なソリューションを提供する。本稿では,現実的な匿名化された患者データを作成するための生成AIモデルについて検討する。
論文参考訳（メタデータ） (2023-05-09T08:12:44Z)
Privacy-preserving machine learning for healthcare: open challenges and future perspectives [72.43506759789861]
医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
論文参考訳（メタデータ） (2023-03-27T19:20:51Z)
DeID-GPT: Zero-shot Medical Text De-Identification by GPT-4 [80.36535668574804]
我々は新しいGPT4対応脱識別フレームワーク(DeID-GPT)を開発した。開発したDeID-GPTは,非構造化医用テキストからの個人情報のマスキングにおいて,高い精度と信頼性を示した。本研究は,ChatGPTおよびGPT-4を医療用テキストデータ処理および非識別に利用した最初期の1つである。
論文参考訳（メタデータ） (2023-03-20T11:34:37Z)
Audit to Forget: A Unified Method to Revoke Patients' Private Data in Intelligent Healthcare [14.22413100609926]
我々は,事前学習した深層学習モデルから患者の個人データを評価・取り消しできるAFSを開発した。異なるデータセット上の4つのタスクに適用することで、AFSの汎用性を実証した。
論文参考訳（メタデータ） (2023-02-20T07:29:22Z)
Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
論文参考訳（メタデータ） (2023-02-03T09:49:13Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral Therapy: A Minimally Data-Sensitive Approach [59.535699822923]
インターネット提供型心理的治療(IDPT)は、メンタルヘルスのアクセシビリティを向上させるための効果的でスケーラブルな経路であると考えられている。本研究は,最小限の敏感なログイン/ログアウトデータに依存しながら,自動アドバンス予測を行うディープラーニングアプローチを提案する。提案されたセルフアテンションネットワークは、治療期間の1/3が経過した時点で、平均的バランスの正確さを70%以上達成した。
論文参考訳（メタデータ） (2022-01-11T13:55:57Z)
Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文参考訳（メタデータ） (2020-12-10T13:56:00Z)
Natural Language Processing to Detect Cognitive Concerns in Electronic Health Records Using Deep Learning [0.970914263240787]
認知症はコミュニティでは認識が低く、医療専門家では診断が低く、クレームデータではコード化されていない。認知機能障害に関する情報は、医療記録の未構造化の診療ノートにしばしば見られるが、専門家による手作業によるレビューは時間がかかり、しばしばエラーを起こしやすい。電子カルテにおける認知的関心を持つ患者を識別するために,自然言語処理アルゴリズムを適用した。
論文参考訳（メタデータ） (2020-11-12T16:59:56Z)
Secondary Use of Electronic Health Record: Opportunities and Challenges [0.0]
EHRデータを同意なしに二次目的に使用すると、個人のプライバシー上の問題が発生する。複数の機関にまたがるEHRの共有は、サイバー攻撃に弱い。データ漏洩は金銭的損失を引き起こす可能性があるし、医療状況が公の場で暴露された場合、個人は社会的なボイコットに遭遇する可能性がある。
論文参考訳（メタデータ） (2020-01-26T16:22:53Z)

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。