論文の概要: Federated Block-Term Tensor Regression for decentralised data analysis in healthcare

• arxiv url: http://arxiv.org/abs/2412.06815v1
• Date: Mon, 02 Dec 2024 12:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-15 07:33:10.952462
• Title: Federated Block-Term Tensor Regression for decentralised data analysis in healthcare
• Title（参考訳）: 医療における分散型データ分析のためのフェデレーションブロック項テンソル回帰
• Authors: Axel Faes, Ashkan Pirmani, Yves Moreau, Liesbet M. Peeters,
• Abstract要約: BTTR(Block-Term Regression)は、多線形関係を利用して複雑な高次元データをモデリングするための強力なツールであることが証明されている。 我々はFBRの拡張であるFBTTR(Federated Block-Term Regression)を紹介した。
• 参考スコア（独自算出の注目度）: 2.756275481133711
• License:
• Abstract: Block-Term Tensor Regression (BTTR) has proven to be a powerful tool for modeling complex, high-dimensional data by leveraging multilinear relationships, making it particularly well-suited for applications in healthcare and neuroscience. However, traditional implementations of BTTR rely on centralized datasets, which pose significant privacy risks and hinder collaboration across institutions. To address these challenges, we introduce Federated Block-Term Tensor Regression (FBTTR), an extension of BTTR designed for federated learning scenarios. FBTTR enables decentralized data analysis, allowing institutions to collaboratively build predictive models while preserving data privacy and complying with regulations. FBTTR represents a major step forward in applying tensor regression to federated learning environments. Its performance is evaluated in two case studies: finger movement decoding from Electrocorticography (ECoG) signals and heart disease prediction. In the first case study, using the BCI Competition IV dataset, FBTTR outperforms non-multilinear models, demonstrating superior accuracy in decoding finger movements. For the dataset, for subject 3, the thumb obtained a performance of 0.76 $\pm$ .05 compared to 0.71 $\pm$ 0.05 for centralised BTTR. In the second case study, FBTTR is applied to predict heart disease using real-world clinical datasets, outperforming both standard federated learning approaches and centralized BTTR models. In the Fed-Heart-Disease Dataset, an AUC-ROC was obtained of 0.872 $\pm$ 0.02 and an accuracy of 0.772 $\pm$ 0.02 compared to 0.812 $\pm$ 0.003 and 0.753 $\pm$ 0.007 for the centralized model.
• Abstract（参考訳）: BTTR(Block-Term Tensor Regression)は、多線形関係を利用して複雑な高次元データをモデリングするための強力なツールであることが証明されており、医療や神経科学の応用に特に適している。 しかし、BTTRの従来の実装は中央集権的なデータセットに依存しており、これは大きなプライバシーリスクをもたらし、機関間のコラボレーションを妨げる。 これらの課題に対処するため,フェデレート・ブロック・ターム・テンソル・レグレッション(FBTTR, Federated Block-Term Tensor Regression)を導入する。 FBTTRは分散データ分析を可能にし、データプライバシの保護と規制の遵守をしながら、組織が協調して予測モデルを構築することができる。 FBTTRは、連合学習環境にテンソル回帰を適用するための大きな一歩である。 エレクトロコルチコグラフィー(ECoG)信号からの指の動き復号と心臓疾患の予知の2つのケーススタディでその有効性を評価した。 最初のケーススタディでは、BCIコンペティションIVデータセットを用いて、FBTTRは非マルチリニアモデルより優れ、指の動きの復号に優れた精度を示す。 対象3のデータセットでは、親指は0.76$\pm$ .05、中央集権BTTRは0.71$\pm$ 0.05である。 第2のケーススタディでは、FBTTRを実際の臨床データを用いて心臓病の予測に適用し、標準的フェデレート学習アプローチと集中型BTTRモデルの両方より優れている。 Fed-Heart-Disease データセットでは、AUC-ROC は 0.872$\pm$ 0.02、精度は 0.772$\pm$ 0.02 であり、集中モデルでは 0.812$\pm$ 0.003 と 0.753$\pm$ 0.007 である。

関連論文リスト

• Privacy-preserving federated prediction of pain intensity change based on multi-center survey data [0.0]
  患者が報告した調査データは、医療改善を目的とした予後モデルをトレーニングするために使用される。 局所的に訓練されたモデルは、正確でなく、堅牢で、一般化可能である。 予後モデル構築のためのプライバシ保護フェデレーション機械学習技術を提案し,適用する。
  論文  参考訳（メタデータ） (2024-09-12T12:41:58Z)
• Multicenter Privacy-Preserving Model Training for Deep Learning Brain Metastases Autosegmentation [2.479757014250359]
  本研究の目的は,マルチセンターデータの不均一性が深層学習脳転移(BM)オートセグメンテーション性能に与える影響を検討することである。 インクリメンタルトランスファー学習技術、すなわち、学習を忘れずに(LWF)、生データを共有せずにモデルの一般化性を改善する。 UKERプレトレーニングモデルがUSZに適用された場合、LWFはUKERとUSZテストデータの組み合わせで、単純TL(0.570)よりも平均F1スコア(0.839)、シングルセンタートレーニング(0.688)を達成する。
  論文  参考訳（メタデータ） (2024-05-17T16:01:11Z)
• TransfoRhythm: A Transformer Architecture Conductive to Blood Pressure Estimation via Solo PPG Signal Capturing [5.255373360156652]
  血圧(BP)は、高血圧の正確かつタイムリーな診断および/または治療のための重要な健康指標である。 人工知能(AI)とディープニューラルネットワーク(DNN)の最近の進歩は、データ駆動ソリューションの開発への関心の高まりにつながっている。 本研究は,カフレスBP推定にMIMIC IVデータセットを適用した最初の研究である。
  論文  参考訳（メタデータ） (2024-04-15T00:36:33Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
  分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。 既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
  論文  参考訳（メタデータ） (2023-08-16T11:22:36Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Efficient and robust transfer learning of optimal individualized treatment regimes with right-censored survival data [7.308241944759317]
  個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。 本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。 重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
  論文  参考訳（メタデータ） (2023-01-13T11:47:10Z)
• Contrastive learning-based pretraining improves representation and transferability of diabetic retinopathy classification models [1.9882302955470608]
  自己教師付きコントラスト学習に基づく事前学習により、小さなラベル付きデータセットを持つ堅牢で一般化されたディープラーニングモデルの開発が可能になる。 本研究の目的は,CLによるプレトレーニングが糖尿病網膜症 (DR) の診断成績に及ぼす影響を評価することである。
  論文  参考訳（メタデータ） (2022-08-24T14:07:45Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital Contact Tracing [68.68882022019272]
  COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。 1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
  論文  参考訳（メタデータ） (2020-10-30T00:47:01Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。