論文の概要: A Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers
- arxiv url: http://arxiv.org/abs/2410.13869v1
- Date: Wed, 02 Oct 2024 09:24:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-27 06:14:48.379092
- Title: A Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers
- Title（参考訳）: 欧州クリニカルセンターにおけるストロークマネージメント向上サービスとしてのフェデレーションラーニングプラットフォーム
- Authors: Diogo Reis Santos, Albert Sund Aillet, Antonio Boiano, Usevalad Milasheuski, Lorenzo Giusti, Marco Di Gennaro, Sanaz Kianoush, Luca Barbieri, Monica Nicoli, Michele Carminati, Alessandro E. C. Redondi, Stefano Savazzi, Luigi Serio,
- Abstract要約: 本稿では,FLプロセスの構成,監視,管理を支援するための新しいFLプラットフォームを提案する。
臨床環境に固有の生産感度を考慮し,提案するFLアーキテクチャの安全性を強調した。
このプラットフォームは、公開データセットを使用して、さまざまな運用環境でのテストに成功している。
- 参考スコア（独自算出の注目度）: 37.285731240749904
- License:
- Abstract: The rapid evolution of artificial intelligence (AI) technologies holds transformative potential for the healthcare sector. In critical situations requiring immediate decision-making, healthcare professionals can leverage machine learning (ML) algorithms to prioritize and optimize treatment options, thereby reducing costs and improving patient outcomes. However, the sensitive nature of healthcare data presents significant challenges in terms of privacy and data ownership, hindering data availability and the development of robust algorithms. Federated Learning (FL) addresses these challenges by enabling collaborative training of ML models without the exchange of local data. This paper introduces a novel FL platform designed to support the configuration, monitoring, and management of FL processes. This platform operates on Platform-as-a-Service (PaaS) principles and utilizes the Message Queuing Telemetry Transport (MQTT) publish-subscribe protocol. Considering the production readiness and data sensitivity inherent in clinical environments, we emphasize the security of the proposed FL architecture, addressing potential threats and proposing mitigation strategies to enhance the platform's trustworthiness. The platform has been successfully tested in various operational environments using a publicly available dataset, highlighting its benefits and confirming its efficacy.
- Abstract（参考訳）: 人工知能(AI)技術の急速な進化は、医療分野の変革の可能性を秘めている。
即時意思決定を必要とする重要な状況では、医療専門家は機械学習(ML)アルゴリズムを利用して治療オプションを優先順位付けし最適化し、コストを削減し、患者の成果を改善することができる。
しかし、医療データの繊細な性質は、プライバシとデータ所有権という面で大きな課題をもたらし、データの可用性を阻害し、堅牢なアルゴリズムの開発を妨げている。
フェデレートラーニング(FL)は、ローカルデータの交換なしにMLモデルの協調トレーニングを可能にすることで、これらの課題に対処する。
本稿では,FLプロセスの構成,監視,管理を支援する新しいFLプラットフォームを提案する。
このプラットフォームはPaaS(Platform-as-a-Service)の原則に基づいており、MQTT(Message Queuing Telemetry Transport)パブリッシュ-サブスクライブプロトコルを使用している。
臨床環境に固有の生産準備とデータ感度を考慮して,提案するFLアーキテクチャの安全性を強調し,潜在的な脅威に対処し,プラットフォームの信頼性を高めるための緩和戦略を提案する。
プラットフォームは、公開データセットを使用してさまざまな運用環境でテストされ、そのメリットを強調し、有効性を確認している。
関連論文リスト
- Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review [2.710010611878837]
フェデレートラーニング(FL)は、複数の医療機関が共有することなく、分散データから共同で学ぶことを可能にする。
FLの医療分野は、疾患予測、治療のカスタマイズ、臨床試験研究などの分野をカバーしている。
FLの実装は、非IIDデータ環境におけるモデル収束、通信オーバーヘッド、複数機関の協調管理など、課題を提起する。
論文 参考訳（メタデータ） (2024-05-22T16:59:50Z) - Privacy-Preserving Edge Federated Learning for Intelligent Mobile-Health Systems [4.082799056366928]
我々は、IoTインフラストラクチャ上でのリソース制約のあるモバイルヘルスおよびウェアラブル技術のための、プライバシ保護エッジFLフレームワークを提案する。
提案したフレームワークを広く評価し、AmazonのAWSクラウドプラットフォーム上での当社のテクニックの実装を提供します。
論文 参考訳（メタデータ） (2024-05-09T08:15:31Z) - A Secure and Trustworthy Network Architecture for Federated Learning Healthcare Applications [37.91592941026672]
Trustrokeプロジェクトは、FLを活用して、脳卒中予測で臨床医を支援することを目的としている。
本稿では,TRUSTroke FLネットワーク基盤の概要を紹介する。
論文 参考訳（メタデータ） (2024-04-17T18:55:41Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳（メタデータ） (2023-07-29T12:54:03Z) - Multi-Site Clinical Federated Learning using Recursive and Attentive
Models and NVFlare [13.176351544342735]
本稿では、データプライバシと規制コンプライアンスの課題に対処する統合フレームワークを開発する。
これには、データのプライバシと規制コンプライアンスの課題に対処し、高い精度を維持し、提案されたアプローチの有効性を実証する統合フレームワークの開発が含まれている。
論文 参考訳（メタデータ） (2023-06-28T17:00:32Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - 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) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - 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) - Towards Compliant Data Management Systems for Healthcare ML [6.057289837472806]
我々は、ソースからストレージまで、ヘルスケアにおける機械学習プロジェクト内のデータフローがどのようにトレーニングアルゴリズムなどに使われるのかをレビューする。
私たちの目標は、プロジェクトのライフサイクル全体にわたって、マシンやユーザ間で機密データを検知し、追跡するツールを設計することにあります。
この領域の難しさを示すソリューションのプロトタイプを構築します。
論文 参考訳（メタデータ） (2020-11-15T15:27:51Z)
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。