論文の概要: Democratizing AI in Africa: FL for Low-Resource Edge Devices

• arxiv url: http://arxiv.org/abs/2408.17216v1
• Date: Fri, 30 Aug 2024 11:46:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-02 15:38:25.309178
• Title: Democratizing AI in Africa: FL for Low-Resource Edge Devices
• Title（参考訳）: アフリカにおけるAIの民主化 - 低リソースエッジデバイスのためのFL
• Authors: Jorge Fabila, Víctor M. Campello, Carlos Martín-Isla, Johnes Obungoloch, Kinyera Leo, Amodoi Ronald, Karim Lekadir,
• Abstract要約: アフリカは、限られたインフラと先進的な医療技術へのアクセスのために、医療提供において重大な課題に直面している。 本研究は、周産期健康に焦点をあて、これらの障壁を克服するための連合学習の利用について検討する。 アフリカ5カ国(アルジェリア、ガーナ、エジプト、マラウイ、ウガンダ)の周産期データとスペインの病院のデータを用いて胎児平面分類器を訓練した。
• 参考スコア（独自算出の注目度）: 0.39012109608386886
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Africa faces significant challenges in healthcare delivery due to limited infrastructure and access to advanced medical technologies. This study explores the use of federated learning to overcome these barriers, focusing on perinatal health. We trained a fetal plane classifier using perinatal data from five African countries: Algeria, Ghana, Egypt, Malawi, and Uganda, along with data from Spanish hospitals. To incorporate the lack of computational resources in the analysis, we considered a heterogeneous set of devices, including a Raspberry Pi and several laptops, for model training. We demonstrate comparative performance between a centralized and a federated model, despite the compute limitations, and a significant improvement in model generalizability when compared to models trained only locally. These results show the potential for a future implementation at a large scale of a federated learning platform to bridge the accessibility gap and improve model generalizability with very little requirements.
• Abstract（参考訳）: アフリカは、限られたインフラと先進的な医療技術へのアクセスのために、医療提供において重大な課題に直面している。 本研究は、周産期健康に焦点をあて、これらの障壁を克服するための連合学習の利用について検討する。 アフリカ5カ国(アルジェリア、ガーナ、エジプト、マラウイ、ウガンダ)の周産期データとスペインの病院のデータを用いて胎児平面分類器を訓練した。 解析に計算資源の欠如を取り入れるため,Raspberry Piや複数のラップトップを含む異種デバイスをモデルトレーニングとして検討した。 計算限界にもかかわらず、集中型モデルと連合型モデルの比較性能を示し、局所的にのみ訓練されたモデルと比較してモデルの一般化可能性を大幅に改善した。 これらの結果は、アクセシビリティギャップを橋渡しし、非常に少ない要求でモデル一般化性を向上させるために、連合学習プラットフォームを大規模に実装する可能性を示している。

関連論文リスト

• Future-Proofing Medical Imaging with Privacy-Preserving Federated Learning and Uncertainty Quantification: A Review [14.88874727211064]
  AIはすぐに、病気の診断、予後、治療計画、治療後の監視のための臨床実践のルーチンになるかもしれない。 患者のデータを取り巻くプライバシー上の懸念は、医療画像にAIが広く採用される上で大きな障壁となる。 Federated Learning(FL)は、機密データを共有することなく、AIモデルを協調的にトレーニングするためのソリューションを提供する。
  論文  参考訳（メタデータ） (2024-09-24T16:55:32Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Mind the Gap: Federated Learning Broadens Domain Generalization in Diagnostic AI Models [2.192472845284658]
  5施設の胸部X線写真610,000点を用いて, 診断成績を訓練戦略の機能として評価した。 大規模データセットはFLで最小のパフォーマンス向上を示したが、いくつかのケースでは低下を見せた。 さまざまな外部機関間で協調的にトレーニングを行う場合、AIモデルは、ドメイン外のタスクのためにローカルにトレーニングされたモデルを一貫して上回った。
  論文  参考訳（メタデータ） (2023-10-01T18:27:59Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• What We Know So Far: Artificial Intelligence in African Healthcare [0.0]
  医療に応用される人工知能(AI)は、アフリカの医療を変革する可能性がある。 本稿では、AIアルゴリズムを用いて診断、治療、疾病モニタリングを改善する方法について、現状を概説する。 持続可能なAIソリューションを作成するためには、政府、民間セクター、医療提供者、国際機関による協調的な努力が必要である。
  論文  参考訳（メタデータ） (2023-05-10T19:27:40Z)
• Generalisability of deep learning models in low-resource imaging settings: A fetal ultrasound study in 5 African countries [1.7685572617581922]
  サハラ以南のアフリカでは、周産期死亡率は非常に高い。 これらの国では、臨床医が胎児異常の診断のために胎児超音波面の取得を支援するためにAIモデルを実装することができる。
  論文  参考訳（メタデータ） (2022-09-20T10:56:09Z)
• 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)
• 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)
• MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
  この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
  論文  参考訳（メタデータ） (2021-09-29T18:09:41Z)
• A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
  同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています 医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。 ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。 しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。 本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T00:49:11Z)
• Heterogeneity Loss to Handle Intersubject and Intrasubject Variability in Cancer [11.440201348567681]
  深層学習(DL)モデルは、医学領域において顕著な結果を示している。 これらのAI手法は、開発途上国に安価な医療ソリューションとして大きな支援を提供することができる。 この研究は、そのような血液がん診断の応用に焦点をあてている。
  論文  参考訳（メタデータ） (2020-03-06T16:16:23Z)

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。