論文の概要: HumekaFL: Automated Detection of Neonatal Asphyxia Using Federated Learning

• arxiv url: http://arxiv.org/abs/2412.01167v1
• Date: Mon, 02 Dec 2024 06:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:35.721859
• Title: HumekaFL: Automated Detection of Neonatal Asphyxia Using Federated Learning
• Title（参考訳）: HumekaFL:フェデレートラーニングによる新生児失語症の自動検出
• Authors: Pamely Zantou, Blessed Guda, Bereket Retta, Gladys Inabeza, Carlee Joe-Wong, Assane Gueye,
• Abstract要約: 出生時Apxia(BA)は出産時に新生児に酸素を供給できないという重篤な症状である。 過去20年間で新生児死亡率が低下してきたが、サハラ以南のアフリカでは、死亡率が5歳未満の水準で推移している。 我々は,BAの早期検出のためにFLパイプラインを組み込んだユーザフレンドリーで費用対効果の高いモバイルアプリケーションを開発した。
• 参考スコア（独自算出の注目度）: 9.170809114430728
• License:
• Abstract: Birth Apshyxia (BA) is a severe condition characterized by insufficient supply of oxygen to a newborn during the delivery. BA is one of the primary causes of neonatal death in the world. Although there has been a decline in neonatal deaths over the past two decades, the developing world, particularly sub-Saharan Africa, continues to experience the highest under-five (<5) mortality rates. While evidence-based methods are commonly used to detect BA in African healthcare settings, they can be subject to physician errors or delays in diagnosis, preventing timely interventions. Centralized Machine Learning (ML) methods demonstrated good performance in early detection of BA but require sensitive health data to leave their premises before training, which does not guarantee privacy and security. Healthcare institutions are therefore reluctant to adopt such solutions in Africa. To address this challenge, we suggest a federated learning (FL)-based software architecture, a distributed learning method that prioritizes privacy and security by design. We have developed a user-friendly and cost-effective mobile application embedding the FL pipeline for early detection of BA. Our Federated SVM model outperformed centralized SVM pipelines and Neural Networks (NN)-based methods in the existing literature
• Abstract（参考訳）: 出生時無呼吸症(BA)は、出産中に新生児に酸素を供給できないと特徴付けられる重篤な疾患である。 BAは新生児死亡の主な原因の1つである。 過去20年間に新生児死亡が減少してきたが、発展途上国、特にサハラ以南のアフリカでは、最も低死亡率(5歳未満)が続いている。 エビデンスベースの手法は、アフリカの医療現場でBAを検出するのに一般的に用いられているが、医師のエラーや診断の遅れに悩まされ、タイムリーな介入を防ぐことができる。 集中型機械学習(ML)メソッドは、BAの早期検出において優れたパフォーマンスを示したが、トレーニング前に、機密性の高い健康データを必要とするため、プライバシとセキュリティは保証されない。 したがって、医療機関はアフリカでそのような解決策を採用することに消極的である。 この課題に対処するために、我々は、設計によるプライバシとセキュリティを優先する分散学習手法である、FLベースのソフトウェアアーキテクチャを提案する。 我々は,BAの早期検出のためにFLパイプラインを組み込んだユーザフレンドリーで費用対効果の高いモバイルアプリケーションを開発した。 我々のフェデレートSVMモデルは、既存の文献における集中型SVMパイプラインとニューラルネットワーク(NN)ベースの手法より優れている

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Optimizing Vital Sign Monitoring in Resource-Constrained Maternal Care: An RL-Based Restless Bandit Approach [31.228987526386558]
  ワイヤレスのバイタルサインモニタリングデバイスは、継続的監視のための労働効率の高いソリューションを提供する。 本稿では,Restless Multi-Armed Bandit パラダイムの変種としてモデル化することで,この問題に対するアロケーションアルゴリズムを考案する。 シミュレーションでは、我々の手法が最高のベースラインを最大4ドルまで上回ります。
  論文  参考訳（メタデータ） (2024-10-10T21:20:07Z)
• Democratizing AI in Africa: FL for Low-Resource Edge Devices [0.39012109608386886]
  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。
  論文  参考訳（メタデータ） (2024-08-30T11:46:39Z)
• Protecting the Future: Neonatal Seizure Detection with Spatial-Temporal Modeling [21.955397001414187]
  本稿では,時間的,空間的,モデルレベルでの厳密な設計による排他的課題に対処する深層学習フレームワークSTATENetを提案する。 実世界の大規模新生児脳波データセットに対する実験により,我々のフレームワークは発作検出性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2023-07-02T14:28:12Z)
• 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)
• Deep learning based non-contact physiological monitoring in Neonatal Intensive Care Unit [5.000608788438847]
  本研究はNICUセットアップのビデオから心肺信号の遠隔推定のためのパイプラインを提案する。 我々は,SGTラベルを生成するために,非学習に基づくアプローチを統合するエンド・ツー・エンドのディープラーニング(DL)モデルを提案した。
  論文  参考訳（メタデータ） (2022-07-25T03:19:16Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
  フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。 モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。 本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
  論文  参考訳（メタデータ） (2022-02-14T18:33:12Z)
• Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
  資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。 我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-08-21T20:22:55Z)
• A Smartphone-based System for Real-time Early Childhood Caries Diagnosis [76.71303610807156]
  6歳未満の小児では, 乳児期チャイナリー (ECC) が最も多いが, 予防可能な慢性疾患である。 本研究では,キャビティ検出のための多段階深層学習システムを提案する。 我々は、ディープラーニングシステムを、早期からECCを診断し、トレーニングされていないユーザにリアルタイムな結果を提供する、使い易いモバイルアプリケーションに統合する。
  論文  参考訳（メタデータ） (2020-08-17T21:11:19Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。