論文の概要: Technical and legal aspects of federated learning in bioinformatics: applications, challenges and opportunities
- arxiv url: http://arxiv.org/abs/2503.09649v3
- Date: Thu, 16 Oct 2025 07:04:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-17 18:56:32.476411
- Title: Technical and legal aspects of federated learning in bioinformatics: applications, challenges and opportunities
- Title（参考訳）: バイオインフォマティクスにおけるフェデレーション学習の技術的・法的側面--応用・課題・機会
- Authors: Daniele Malpetti, Marco Scutari, Francesco Gualdi, Jessica van Setten, Sander van der Laan, Saskia Haitjema, Aaron Mark Lee, Isabelle Hering, Francesca Mangili,
- Abstract要約: フェデレート・ラーニング(Federated Learning)は、データ共有の制限に従い、患者のプライバシを保護するとともに、機関間でのデータを活用して臨床発見を改善する。
本稿では,ゲノムワイド・アソシエーション研究(GWAS),単一細胞およびマルチオミクス研究の法的およびインフラ的課題における重要な応用を初めてレビューする。
- 参考スコア（独自算出の注目度）: 0.34953784594970894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning leverages data across institutions to improve clinical discovery while complying with data-sharing restrictions and protecting patient privacy. This paper provides a gentle introduction to this approach in bioinformatics, and is the first to review key applications in proteomics, genome-wide association studies (GWAS), single-cell and multi-omics studies in their legal as well as methodological and infrastructural challenges. As the evolution of biobanks in genetics and systems biology has proved, accessing more extensive and varied data pools leads to a faster and more robust exploration and translation of results. More widespread use of federated learning may have a similar impact in bioinformatics, allowing academic and clinical institutions to access many combinations of genotypic, phenotypic and environmental information that are undercovered or not included in existing biobanks.
- Abstract（参考訳）: フェデレート・ラーニング(Federated Learning)は、データ共有の制限に従い、患者のプライバシを保護するとともに、機関間でのデータを活用して臨床発見を改善する。
本稿では, バイオインフォマティクスにおける本手法の温和な紹介を行い, プロテオミクス, ゲノムワイド・アソシエーション研究(GWAS), 単一細胞・マルチオミクス研究, および方法論的, インフラ的課題について概観する。
遺伝学やシステム生物学におけるバイオバンクの進化が証明されたように、より広範囲で多様なデータプールへのアクセスは、より高速で堅牢な探索と結果の翻訳につながる。
より広く使われているフェデレートラーニングは、バイオインフォマティクスに類似した影響があり、学術機関や臨床機関は、既存のバイオバンクに潜入されているか含まれていない多くの遺伝子型、表現型、環境情報にアクセスすることができる。
関連論文リスト
- Large Language Models for Bioinformatics [58.892165394487414]
本調査はバイオインフォマティクス特化言語モデル(BioLM)の進化,分類,特徴の識別に焦点をあてる。
疾患診断, 薬物発見, ワクチン開発などの重要な分野において, バイオフィルムの幅広い応用について検討する。
データプライバシやセキュリティ上の問題,解釈可能性の問題,トレーニングデータやモデル出力のバイアス,ドメイン適応複雑性など,BioLMに固有の重要な課題や制限を特定します。
論文 参考訳（メタデータ） (2025-01-10T01:43:05Z) - Unified Representation of Genomic and Biomedical Concepts through Multi-Task, Multi-Source Contrastive Learning [45.6771125432388]
言語モデル(genEREL)を用いたジェノミクス表現について紹介する。
GENERELは遺伝学と生物医学の知識基盤を橋渡しするために設計されたフレームワークである。
本実験は,SNPと臨床概念のニュアンス関係を効果的に把握するgenERELの能力を実証するものである。
論文 参考訳（メタデータ） (2024-10-14T04:19:52Z) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳（メタデータ） (2023-12-21T14:26:57Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - Extrinsic Factors Affecting the Accuracy of Biomedical NER [0.1529342790344802]
バイオメディカル・ネーム・エンティティ・認識(NER)は、臨床テキスト中の構造化情報を特定することを目的とした批判的タスクである。
バイオメディカル領域のNERは、限られたデータ可用性のために困難である。
論文 参考訳（メタデータ） (2023-05-29T15:29:49Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - Privacy-preserving Artificial Intelligence Techniques in Biomedicine [3.908261721108553]
機密データに基づくAIモデルのトレーニングは、個々の参加者のプライバシに関する懸念を提起する。
本稿では,生物医学におけるプライバシ保存型AI技術の進歩について概説する。
最も重要な最先端のアプローチを統一された分類分野に配置し、その強み、限界、オープンな問題について議論する。
論文 参考訳（メタデータ） (2020-07-22T18:35:55Z) - Federated Learning in Distributed Medical Databases: Meta-Analysis of Large-Scale Subcortical Brain Data [4.380066835476896]
本稿では,個々の情報を共有することなく,バイオメディカルデータを安全にアクセスし,メタアナライズするためのフェデレート学習フレームワークを提案する。
本研究の枠組みは, 疾患と臨床コホート間の脳構造的関係を解明することによるものである。
論文 参考訳（メタデータ） (2018-10-19T15:36:35Z)
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。