Fugu-MT 論文翻訳(概要): Federated GNNs for EEG-Based Stroke Assessment

論文の概要: Federated GNNs for EEG-Based Stroke Assessment

arxiv url: http://arxiv.org/abs/2411.02286v1
Date: Mon, 04 Nov 2024 17:13:35 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:48:58.614277
Title: Federated GNNs for EEG-Based Stroke Assessment
Title（参考訳）: 脳波によるストロークアセスメントのためのフェデレーションGNN
Authors: Andrea Protani, Lorenzo Giusti, Albert Sund Aillet, Simona Sacco, Paolo Manganotti, Lucio Marinelli, Diogo Reis Santos, Pierpaolo Brutti, Pietro Caliandro, Luigi Serio,
Abstract要約: 本研究では,フェデレートラーニング(FL)とグラフニューラルネットワーク(GNN)を組み合わせて脳卒中重症度を予測する手法を提案する。本手法により,複数の病院が患者情報を交換することなく,脳波データの共有GNNモデルを共同で訓練することが可能となる。
参考スコア（独自算出の注目度）: 1.3274340213871945
License:
Abstract: Machine learning (ML) has the potential to become an essential tool in supporting clinical decision-making processes, offering enhanced diagnostic capabilities and personalized treatment plans. However, outsourcing medical records to train ML models using patient data raises legal, privacy, and security concerns. Federated learning has emerged as a promising paradigm for collaborative ML, meeting healthcare institutions' requirements for robust models without sharing sensitive data and compromising patient privacy. This study proposes a novel method that combines federated learning (FL) and Graph Neural Networks (GNNs) to predict stroke severity using electroencephalography (EEG) signals across multiple medical institutions. Our approach enables multiple hospitals to jointly train a shared GNN model on their local EEG data without exchanging patient information. Specifically, we address a regression problem by predicting the National Institutes of Health Stroke Scale (NIHSS), a key indicator of stroke severity. The proposed model leverages a masked self-attention mechanism to capture salient brain connectivity patterns and employs EdgeSHAP to provide post-hoc explanations of the neurological states after a stroke. We evaluated our method on EEG recordings from four institutions, achieving a mean absolute error (MAE) of 3.23 in predicting NIHSS, close to the average error made by human experts (MAE $\approx$ 3.0). This demonstrates the method's effectiveness in providing accurate and explainable predictions while maintaining data privacy.
Abstract（参考訳）: 機械学習(ML)は、臨床意思決定プロセスをサポートする上で不可欠なツールになり、診断能力とパーソナライズされた治療計画を提供する可能性がある。しかし、患者のデータを使用してMLモデルをトレーニングするために医療記録をアウトソーシングすることは、法的、プライバシー、セキュリティ上の懸念を引き起こす。フェデレーテッド・ラーニング(Federated Learning)は、医療機関が機密データを共有せず、患者のプライバシーを損なうことなく、堅牢なモデルに対する要求を満たす、共同MLのための有望なパラダイムとして登場した。本研究では,複数の医療機関にまたがる脳波信号を用いて,フェデレートラーニング(FL)とグラフニューラルネットワーク(GNN)を組み合わせて脳卒中重症度を予測する手法を提案する。本手法により,複数の病院が患者情報を交換することなく,脳波データの共有GNNモデルを共同で訓練することが可能となる。具体的には,脳卒中重症度の指標であるNIHSS(National Institutes of Health Stroke Scale)を予測することで,回帰問題に対処する。提案モデルは、マスク付き自己注意機構を利用して、脳の正常な接続パターンを捉え、EdgeSHAPを用いて脳卒中後の神経状態のポストホックな説明を提供する。 NIHSS予測における平均絶対誤差3.23(MAE $\approx$3.0)は,ヒトの専門家による平均誤差(MAE $\approx$3.0)に近い。これは、データのプライバシを維持しながら正確で説明可能な予測を提供する方法の有効性を示す。

関連論文リスト

Empowering Healthcare through Privacy-Preserving MRI Analysis [3.6394715554048234]
本稿では,Ensemble-Based Federated Learning (EBFL)フレームワークを紹介する。 EBFLフレームワークは、機密性の高い患者データを共有することよりも、モデルの特徴を強調することによって、従来のアプローチから逸脱する。グリオーマ,髄膜腫,下垂体,非腫瘍例などの脳腫瘍の分類において,有意な精度が得られた。
論文参考訳（メタデータ） (2024-03-14T19:51:18Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
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)
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)
MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文参考訳（メタデータ） (2022-11-09T01:07:20Z)
Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
論文参考訳（メタデータ） (2022-07-21T16:59:09Z)
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)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
Predicting Patient Outcomes with Graph Representation Learning [0.47248250311484113]
類似した患者をグラフでつなげることで,診断を時間的情報として活用する。 LSTM-GNは、eICUデータベース上の滞在予測タスクの長さでLSTMのみのベースラインを上回っていることを実証します。
論文参考訳（メタデータ） (2021-01-11T15:04:07Z)
Deep Learning with Heterogeneous Graph Embeddings for Mortality Prediction from Electronic Health Records [2.2859570135269625]
我々は、電子健康記録データ上に不均一グラフモデル(HGM)をトレーニングし、結果の埋め込みベクトルをコナールニューラルネットワーク(CNN)モデルに追加情報として使用して、院内死亡率を予測する。 CNNモデルにHGMを追加すると、死亡予測精度が最大4%向上することがわかった。
論文参考訳（メタデータ） (2020-12-28T02:27:09Z)

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。