論文の概要: Federated learning in low-resource settings: A chest imaging study in Africa -- Challenges and lessons learned

• arxiv url: http://arxiv.org/abs/2505.14217v1
• Date: Tue, 20 May 2025 11:23:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.132773
• Title: Federated learning in low-resource settings: A chest imaging study in Africa -- Challenges and lessons learned
• Title（参考訳）: 低リソース環境でのフェデレーション学習:アフリカにおける胸部画像研究 -- 課題と教訓
• Authors: Jorge Fabila, Lidia Garrucho, Víctor M. Campello, Carlos Martín-Isla, Karim Lekadir,
• Abstract要約: 本研究では,アフリカにおける低リソース環境下での胸部X線を用いた結核診断におけるフェデレートラーニング(FL)の利用について検討した。 FLは、病院が患者の生データを共有することなく、AIモデルを協調的に訓練することを可能にする。 サハラ以南のアフリカにおけるFLの実装は、インフラの貧弱、信頼性の低いインターネット、デジタルリテラシーの制限、AI規制の弱さといった課題に直面している。
• 参考スコア（独自算出の注目度）: 0.43410764770307697
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study explores the use of Federated Learning (FL) for tuberculosis (TB) diagnosis using chest X-rays in low-resource settings across Africa. FL allows hospitals to collaboratively train AI models without sharing raw patient data, addressing privacy concerns and data scarcity that hinder traditional centralized models. The research involved hospitals and research centers in eight African countries. Most sites used local datasets, while Ghana and The Gambia used public ones. The study compared locally trained models with a federated model built across all institutions to evaluate FL's real-world feasibility. Despite its promise, implementing FL in sub-Saharan Africa faces challenges such as poor infrastructure, unreliable internet, limited digital literacy, and weak AI regulations. Some institutions were also reluctant to share model updates due to data control concerns. In conclusion, FL shows strong potential for enabling AI-driven healthcare in underserved regions, but broader adoption will require improvements in infrastructure, education, and regulatory support.
• Abstract（参考訳）: 本研究は,アフリカにおける低リソース環境下での胸部X線を用いた結核(TB)診断におけるフェデレートラーニング(FL)の使用について検討した。 FLは、病院が患者の生データを共有せずに協力的にAIモデルを訓練することを可能にし、従来の集中型モデルを妨げるプライバシー上の懸念とデータの不足に対処する。 この研究は8つのアフリカ諸国の病院と研究センターを巻き込んだ。 ほとんどのサイトはローカルデータセットを使用しており、ガーナとガンビアはパブリックデータセットを使用していた。 この研究は、地元で訓練されたモデルと、FLの現実的な実現可能性を評価するために、すべての機関にまたがって構築された連合モデルを比較した。 約束に反して、サブサハラアフリカにおけるFLの実装は、インフラの貧弱、信頼性の低いインターネット、デジタルリテラシーの制限、AI規制の弱さといった課題に直面している。 一部の機関はデータ管理上の懸念から、モデル更新の共有にも消極的だった。 結論として、FLは、監視されていない地域でAI駆動型ヘルスケアを可能にする強力な可能性を示しているが、より広範な採用には、インフラストラクチャ、教育、規制サポートの改善が必要である。

関連論文リスト

• Asymmetrical Reciprocity-based Federated Learning for Resolving Disparities in Medical Diagnosis [68.06621490069428]
  地理的な健康格差は、特に低所得国と中所得国の未保存地域において、世界的課題となっている。 我々は、地理的な健康格差を緩和し、未保存地域の診断能力を増強することを目的とした、新しいクロスサイロ・フェデレーション学習フレームワークであるFedHelpを提案する。
  論文  参考訳（メタデータ） (2024-12-27T13:59:58Z)
• 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)
• 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)
• Tunable Soft Prompts are Messengers in Federated Learning [55.924749085481544]
  フェデレートラーニング(FL)は、複数の参加者が分散データソースを使用して機械学習モデルを協調的にトレーニングすることを可能にする。 FLにおけるモデルプライバシ保護の欠如は無視できない課題となっている。 そこで本研究では,ソフトプロンプトによって参加者間の情報交換を実現する新しいFLトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T11:01:10Z)
• Mind the Gap: Federated Learning Broadens Domain Generalization in Diagnostic AI Models [2.192472845284658]
  5施設の胸部X線写真610,000点を用いて, 診断成績を訓練戦略の機能として評価した。 大規模データセットはFLで最小のパフォーマンス向上を示したが、いくつかのケースでは低下を見せた。 さまざまな外部機関間で協調的にトレーニングを行う場合、AIモデルは、ドメイン外のタスクのためにローカルにトレーニングされたモデルを一貫して上回った。
  論文  参考訳（メタデータ） (2023-10-01T18:27:59Z)
• AI Models Close to your Chest: Robust Federated Learning Strategies for Multi-site CT [3.0888799865182395]
  医学におけるAI研究は、多種多様なデータソースの少ないロコリージョンの患者コホートに重点を置いている。 フェデレーション・ラーニング(FL)は、データ共有なしに病院間での学習を可能にするAI開発のための潜在的経路の1つである。 新型コロナウイルスの胸部CTデータセットの最大かつ多彩な1つについて,様々なFL戦略の結果を示す。
  論文  参考訳（メタデータ） (2023-03-23T13:38:29Z)
• 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)
• Towards the Practical Utility of Federated Learning in the Medical Domain [32.172151977619826]
  そこで我々は,3つの代表的な医学データセットに対する実験的ベンチマークと実験的設定を提案する。 クライアント間のデータ不均一性に対処するために設計された6つのFLアルゴリズムと、2つの代表FLアルゴリズムの強度を組み合わせたハイブリッドアルゴリズムを評価する。 単純なFLアルゴリズムはより洗練されたアルゴリズムよりも優れているが、ハイブリッドアルゴリズムは優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-07T04:07:48Z)
• 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)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• 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)

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。