論文の概要: FedSAF: A Federated Learning Framework for Enhanced Gastric Cancer Detection and Privacy Preservation
- arxiv url: http://arxiv.org/abs/2503.15870v1
- Date: Thu, 20 Mar 2025 05:48:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 19:01:09.097687
- Title: FedSAF: A Federated Learning Framework for Enhanced Gastric Cancer Detection and Privacy Preservation
- Title（参考訳）: FedSAF: 胃癌の検出とプライバシ保護を強化するためのフェデレートラーニングフレームワーク
- Authors: Yuxin Miao, Xinyuan Yang, Hongda Fan, Yichun Li, Yishu Hong, Xiechen Guo, Ali Braytee, Weidong Huang, Ali Anaissi,
- Abstract要約: 胃癌は最も一般的に診断されるがんの1つであり、死亡率が高い。
医療資源が限られているため、胃癌認識のための機械学習モデルの開発は、医療機関にとって効率的な解決策となる。
このようなモデルは通常、トレーニングとテストのために大きなサンプルサイズを必要とするため、患者のプライバシに挑戦する可能性がある。
フェデレートラーニングは、センシティブな患者データを共有することなく、複数の機関でモデルトレーニングを行うことによって、効果的な代替手段を提供する。
- 参考スコア（独自算出の注目度）: 0.686541828730325
- License:
- Abstract: Gastric cancer is one of the most commonly diagnosed cancers and has a high mortality rate. Due to limited medical resources, developing machine learning models for gastric cancer recognition provides an efficient solution for medical institutions. However, such models typically require large sample sizes for training and testing, which can challenge patient privacy. Federated learning offers an effective alternative by enabling model training across multiple institutions without sharing sensitive patient data. This paper addresses the limited sample size of publicly available gastric cancer data with a modified data processing method. This paper introduces FedSAF, a novel federated learning algorithm designed to improve the performance of existing methods, particularly in non-independent and identically distributed (non-IID) data scenarios. FedSAF incorporates attention-based message passing and the Fisher Information Matrix to enhance model accuracy, while a model splitting function reduces computation and transmission costs. Hyperparameter tuning and ablation studies demonstrate the effectiveness of this new algorithm, showing improvements in test accuracy on gastric cancer datasets, with FedSAF outperforming existing federated learning methods like FedAMP, FedAvg, and FedProx. The framework's robustness and generalization ability were further validated across additional datasets (SEED, BOT, FashionMNIST, and CIFAR-10), achieving high performance in diverse environments.
- Abstract（参考訳）: 胃癌は最も一般的に診断されるがんの1つであり、死亡率が高い。
医療資源が限られているため、胃癌認識のための機械学習モデルの開発は、医療機関にとって効率的な解決策となる。
しかし、そのようなモデルは通常、トレーニングとテストのために大きなサンプルサイズを必要とするため、患者のプライバシに挑戦する可能性がある。
フェデレートラーニングは、センシティブな患者データを共有することなく、複数の機関でモデルトレーニングを行うことによって、効果的な代替手段を提供する。
本報告では, 胃癌データの限られたサンプルサイズについて, 修正データ処理法を用いて検討する。
本稿では,既存の手法,特に非独立で同一に分散した(非IID)データシナリオの性能向上を目的とした,新しいフェデレート学習アルゴリズムであるFedSAFを紹介する。
FedSAFは注意に基づくメッセージパッシングとFisher Information Matrixを組み込んでモデルの精度を高め、一方モデル分割関数は計算と送信コストを削減する。
ハイパーパラメータチューニングとアブレーション研究は、このアルゴリズムの有効性を示し、胃癌データセットにおけるテスト精度の改善を示し、FedSAFは、FedAMP、FedAvg、FedProxといった既存のフェデレーション学習方法を上回っている。
フレームワークの堅牢性と一般化能力は、追加のデータセット(SEED、BOT、FashionMNIST、CIFAR-10)でさらに検証され、多様な環境で高いパフォーマンスを実現した。
関連論文リスト
- Multi-Omics Fusion with Soft Labeling for Enhanced Prediction of Distant Metastasis in Nasopharyngeal Carcinoma Patients after Radiotherapy [4.971538849792411]
オミクスデータの統合で直面する課題の1つは、予測不能の存在である。
本研究の目的は,オミクスデータに固有の相違を緩和する融合手法を開発することである。
論文 参考訳（メタデータ） (2025-02-12T05:26:59Z) - Robust and Explainable Framework to Address Data Scarcity in Diagnostic Imaging [6.744847405966574]
Efficient Transfer and Self-supervised Learning based Ensemble Framework (ETSEF) と呼ばれる新しいアンサンブルフレームワークを導入する。
ETSEFは、訓練済みの複数のディープラーニングモデルの特徴を活用して、限られたデータサンプルから強力な表現を効率的に学習する。
内視鏡検査,乳がん,サルポックス,脳腫瘍,緑内障検出,緑内障検出の5つの独立した医療画像検査を行い,ETSEFの有効性と堅牢性について検討した。
論文 参考訳（メタデータ） (2024-07-09T05:48:45Z) - Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。
本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-15T09:07:19Z) - Revolutionizing Disease Diagnosis: A Microservices-Based Architecture
for Privacy-Preserving and Efficient IoT Data Analytics Using Federated
Learning [0.0]
深層学習に基づく疾患診断の応用は、様々な疾患の段階での正確な診断に不可欠である。
処理リソースをデバイスに近づけることで、分散コンピューティングパラダイムは、病気の診断に革命をもたらす可能性がある。
本研究では、プライバシとパフォーマンス要件を満たすために、IoTデータ分析システムに対するフェデレーションベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-27T06:31:43Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Federated Learning with Research Prototypes for Multi-Center MRI-based
Detection of Prostate Cancer with Diverse Histopathology [3.8613414331251423]
前立腺癌検出アルゴリズムのクロスサイトトレーニング,検証,評価のためのフレキシブル・フェデレート・ラーニング・フレームワークを提案する。
前立腺癌の検出と分類の精度は,神経回路モデルと多種多様な前立腺生検データを用いて向上した。
我々はFLtoolsシステムをオープンソースとして公開し、医療画像のための他のディープラーニングプロジェクトに容易に対応できるようにしています。
論文 参考訳（メタデータ） (2022-06-11T21:28:17Z) - 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) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-12T18:13:45Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。
新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。
患者のプライバシー上の懸念から、データそのものはまだ乏しい。
我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文 参考訳（メタデータ） (2021-02-10T01:56:58Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。