論文の概要: Federated prediction for scalable and privacy-preserved knowledge-based planning in radiotherapy

• arxiv url: http://arxiv.org/abs/2505.14507v1
• Date: Tue, 20 May 2025 15:35:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.465188
• Title: Federated prediction for scalable and privacy-preserved knowledge-based planning in radiotherapy
• Title（参考訳）: 放射線治療におけるスケーラブル・プライバシ保護型知識ベースプランニングのフェデレーション予測
• Authors: Jingyun Chen, David Horowitz, Yading Yuan,
• Abstract要約: FedKBP+は、放射線治療計画における現実の応用における予測タスクのための総合的な連邦学習(FL)プラットフォームである。 参加者間のコミュニケーションを支援するために,Google Remote Procedure Call (gRPC) に基づく統一的な通信スタックを実装した。 我々は,スケールアテンションネットワーク(SA-Net)を予測モデルとして,FedKBP+を3つの予測タスクで評価した。
• 参考スコア（独自算出の注目度）: 0.5575343193009424
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Deep learning has potential to improve the efficiency and consistency of radiation therapy planning, but clinical adoption is hindered by the limited model generalizability due to data scarcity and heterogeneity among institutions. Although aggregating data from different institutions could alleviate this problem, data sharing is a practical challenge due to concerns about patient data privacy and other technical obstacles. Purpose: This work aims to address this dilemma by developing FedKBP+, a comprehensive federated learning (FL) platform for predictive tasks in real-world applications in radiotherapy treatment planning. Methods: We implemented a unified communication stack based on Google Remote Procedure Call (gRPC) to support communication between participants whether located on the same workstation or distributed across multiple workstations. In addition to supporting the centralized FL strategies commonly available in existing open-source frameworks, FedKBP+ also provides a fully decentralized FL model where participants directly exchange model weights to each other through Peer-to-Peer communication. We evaluated FedKBP+ on three predictive tasks using scale-attention network (SA-Net) as the predictive model. Conclusions: Our results demonstrate that FedKBP+ is highly effective, efficient and robust, showing great potential as a federated learning platform for radiation therapy.
• Abstract（参考訳）: 背景: 深層学習は放射線治療計画の効率性と整合性を改善する可能性があるが, 施設間のデータ不足と不均一性により, 限られたモデル一般化可能性によって臨床応用が妨げられる。 異なる機関からのデータを集約することでこの問題を軽減できるが、患者のデータプライバシーやその他の技術的な障害に対する懸念から、データ共有は現実的な課題である。 目的: 本研究は, 放射線治療計画における現実的応用における予測タスクのための包括的統合学習(FL)プラットフォームであるFedKBP+を開発することで, このジレンマに対処することを目的としている。 方法: Google Remote Procedure Call (gRPC) に基づく統一的なコミュニケーションスタックを実装し,同一ワークステーション内にあるか,複数のワークステーションに分散しているかに関わらず,参加者間のコミュニケーションを支援する。 既存のオープンソースフレームワークで一般的に利用できる集中型FL戦略のサポートに加えて、FedKBP+は、参加者がピアツーピア通信を通じて直接モデルウェイトを交換する、完全に分散化されたFLモデルも提供する。 我々は,スケールアテンションネットワーク(SA-Net)を予測モデルとして,FedKBP+を3つの予測タスクで評価した。 結論:FedKBP+は高い有効性,効率,堅牢性を示し,放射線治療のための統合学習プラットフォームとして大きな可能性を示した。

関連論文リスト

• EPIC: Enhancing Privacy through Iterative Collaboration [4.199844472131922]
  従来の機械学習技術は、中央集権的なデータ収集と処理を必要とする。 医療データを集中ストレージにプールする場合、プライバシ、オーナシップ、厳格な規制の問題が存在する。 フェデレートラーニング(FL)アプローチは、中央アグリゲータサーバと共有グローバルモデルを設定することで、そのような問題を克服する。
  論文  参考訳（メタデータ） (2024-11-07T20:10:34Z)
• A Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers [37.285731240749904]
  本稿では,FLプロセスの構成,監視,管理を支援するための新しいFLプラットフォームを提案する。 臨床環境に固有の生産感度を考慮し,提案するFLアーキテクチャの安全性を強調した。 このプラットフォームは、公開データセットを使用して、さまざまな運用環境でのテストに成功している。
  論文  参考訳（メタデータ） (2024-10-02T09:24:05Z)
• Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
  E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。 医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
  論文  参考訳（メタデータ） (2024-04-15T19:45:07Z)
• Decentralized Learning over Wireless Networks: The Effect of Broadcast with Random Access [56.91063444859008]
  本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。 この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-12T10:32:26Z)
• Learning Personalized Brain Functional Connectivity of MDD Patients from Multiple Sites via Federated Bayesian Networks [9.873532358701803]
  我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。 合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-01-06T08:58:06Z)
• Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
  医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。 最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。 ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-06-20T23:49:38Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• DisPFL: Towards Communication-Efficient Personalized Federated Learning via Decentralized Sparse Training [84.81043932706375]
  本稿では,分散型(ピアツーピア)通信プロトコルであるDis-PFLにおいて,新たな個人化フェデレーション学習フレームワークを提案する。 Dis-PFLはパーソナライズされたスパースマスクを使用して、エッジ上のスパースローカルモデルをカスタマイズする。 本手法は,計算複雑性の異なる異種ローカルクライアントに容易に適応できることを実証する。
  論文  参考訳（メタデータ） (2022-06-01T02:20:57Z)
• Communication-Efficient Hierarchical Federated Learning for IoT Heterogeneous Systems with Imbalanced Data [42.26599494940002]
  フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。 本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。 複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
  論文  参考訳（メタデータ） (2021-07-14T08:32:39Z)

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。