論文の概要: FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging

• arxiv url: http://arxiv.org/abs/2407.08822v1
• Date: Thu, 11 Jul 2024 19:12:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 01:46:09.530227
• Title: FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging
• Title（参考訳）: FedMedICL:Federated Medical Imagingにおける分布変化の全体的評価に向けて
• Authors: Kumail Alhamoud, Yasir Ghunaim, Motasem Alfarra, Thomas Hartvigsen, Philip Torr, Bernard Ghanem, Adel Bibi, Marzyeh Ghassemi,
• Abstract要約: FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
• 参考スコア（独自算出の注目度）: 68.6715007665896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For medical imaging AI models to be clinically impactful, they must generalize. However, this goal is hindered by (i) diverse types of distribution shifts, such as temporal, demographic, and label shifts, and (ii) limited diversity in datasets that are siloed within single medical institutions. While these limitations have spurred interest in federated learning, current evaluation benchmarks fail to evaluate different shifts simultaneously. However, in real healthcare settings, multiple types of shifts co-exist, yet their impact on medical imaging performance remains unstudied. In response, we introduce FedMedICL, a unified framework and benchmark to holistically evaluate federated medical imaging challenges, simultaneously capturing label, demographic, and temporal distribution shifts. We comprehensively evaluate several popular methods on six diverse medical imaging datasets (totaling 550 GPU hours). Furthermore, we use FedMedICL to simulate COVID-19 propagation across hospitals and evaluate whether methods can adapt to pandemic changes in disease prevalence. We find that a simple batch balancing technique surpasses advanced methods in average performance across FedMedICL experiments. This finding questions the applicability of results from previous, narrow benchmarks in real-world medical settings.
• Abstract（参考訳）: 医療画像AIモデルが臨床的に影響を及ぼすためには、それらを一般化する必要がある。 しかし、このゴールは妨げられている。 (i)時制、人口統計、ラベルシフトなど、多種多様な分布シフト (II)単一医療機関内でサイロ化されているデータセットの多様性に制限がある。 これらの制限は、連合学習への関心を喚起しているが、現在の評価ベンチマークでは、異なるシフトを同時に評価することができない。 しかし、実際の医療環境では、複数のシフトが共存するが、医療画像のパフォーマンスへの影響は未検討である。 そこで我々はFedMedICLという統合されたフレームワークとベンチマークを導入し,フェデレートされた医用画像の課題を総合的に評価し,ラベル,人口分布,時間分布の変化を同時に把握した。 6つの多様な医用画像データセット(550GPU時間)について、いくつかの一般的な手法を総合的に評価した。 さらに、FedMedICLを用いて、病院内における新型コロナウイルスの伝播をシミュレートし、病気の流行のパンデミックに適応できるかを評価する。 単純なバッチ分散手法がFedMedICL実験の平均性能を上回っていることがわかった。 この発見は、現実の医療環境におけるこれまでの狭いベンチマークの結果の適用性に疑問を呈する。

関連論文リスト

• FairMedFM: Fairness Benchmarking for Medical Imaging Foundation Models [37.803490266325]
  医療画像における基礎モデル(FM)研究のためのフェアネスベンチマークであるFairMedFMを紹介する。 FairMedFMは17の一般的な医療画像データセットと統合されており、様々なモダリティ、次元、機密属性を含んでいる。 ゼロショット学習、線形探索、パラメータ効率のよい微調整、様々な下流タスク、分類とセグメンテーションなど、広く使われている20のFMを探索する。
  論文  参考訳（メタデータ） (2024-07-01T05:47:58Z)
• Medformer: A Multi-Granularity Patching Transformer for Medical Time-Series Classification [6.0233642055651115]
  我々は,MedTS分類に特化された多粒度パッチ変換器であるMedformerを紹介する。 本手法は,MedTSの特徴を生かした3つの新しいメカニズムを取り入れたものである。 我々は、主題に依存しない5つの公開データセットに対して、課題に依存しないセットアップと課題に依存しないセットアップの両方で広範な実験を行う。
  論文  参考訳（メタデータ） (2024-05-24T16:51:10Z)
• Semi-Supervised Disease Classification based on Limited Medical Image Data [9.633774896301436]
  本稿では、半教師付き疾患分類のためのH"older divergenceにインスパイアされた新しい生成モデルを提案する。 PU医学学習によく用いられる5つのベンチマークデータセットについて実験を行った。 本手法は,5つの疾患分類ベンチマークにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-05-07T13:11:08Z)
• Plug-and-Play Feature Generation for Few-Shot Medical Image Classification [23.969183389866686]
  限られた訓練データを用いた医用画像分類におけるモデル一般化と実用性の向上に大きな可能性を秘めている。 MedMFGは,限られたサンプルから十分なクラス識別機能を生成するために設計された,フレキシブルで軽量なプラグアンドプレイ方式である。
  論文  参考訳（メタデータ） (2023-10-14T02:36:14Z)
• Med-Flamingo: a Multimodal Medical Few-shot Learner [58.85676013818811]
  医療領域に適応したマルチモーダル・数ショット学習者であるMed-Flamingoを提案する。 OpenFlamingo-9Bに基づいて、出版物や教科書からの医療画像テキストデータのペア化とインターリーブ化を継続する。 本研究は,医療用VQA(ジェネレーティブ医療用VQA)の最初の人間評価である。
  論文  参考訳（メタデータ） (2023-07-27T20:36:02Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Using Soft Labels to Model Uncertainty in Medical Image Segmentation [0.0]
  複数の医師のアノテーションからソフトラベルを得るための簡易な手法を提案する。 各画像に対して,複数の信頼度でしきい値に閾値を設定できる1つのよく校正された出力を生成する。 提案手法をMICCAI 2021 QUBIQチャレンジで評価し,複数の医用画像セグメンテーションタスクで良好に動作することを示した。
  論文  参考訳（メタデータ） (2021-09-26T14:47:18Z)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)

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。