論文の概要: Federated Few-Shot Learning for Epileptic Seizure Detection Under Privacy Constraints

• arxiv url: http://arxiv.org/abs/2512.13717v1
• Date: Tue, 09 Dec 2025 16:01:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.391762
• Title: Federated Few-Shot Learning for Epileptic Seizure Detection Under Privacy Constraints
• Title（参考訳）: プライバシー制約下でのてんかん発作検出のためのフェデレーションFew-Shot Learning
• Authors: Ekaterina Sysoykova, Bernhard Anzengruber-Tanase, Michael Haslgrubler, Philipp Seidl, Alois Ferscha,
• Abstract要約: 脳波による発作検出のための2段階連発型数ショット学習フレームワークを提案する。 ステージ1では、事前訓練された生体信号変換器(BIOT)が、フェデレートラーニングを用いて、非IID模擬病院の現場で微調整される。 ステージ2では、フェデレートされた数発のパーソナライゼーションが5つのEEGセグメントのみを用いて各患者に適応する。
• 参考スコア（独自算出の注目度）: 1.4150452759904846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many deep learning approaches have been developed for EEG-based seizure detection; however, most rely on access to large centralized annotated datasets. In clinical practice, EEG data are often scarce, patient-specific distributed across institutions, and governed by strict privacy regulations that prohibit data pooling. As a result, creating usable AI-based seizure detection models remains challenging in real-world medical settings. To address these constraints, we propose a two-stage federated few-shot learning (FFSL) framework for personalized EEG-based seizure detection. The method is trained and evaluated on the TUH Event Corpus, which includes six EEG event classes. In Stage 1, a pretrained biosignal transformer (BIOT) is fine-tuned across non-IID simulated hospital sites using federated learning, enabling shared representation learning without centralizing EEG recordings. In Stage 2, federated few-shot personalization adapts the classifier to each patient using only five labeled EEG segments, retaining seizure-specific information while still benefiting from cross-site knowledge. Federated fine-tuning achieved a balanced accuracy of 0.43 (centralized: 0.52), Cohen's kappa of 0.42 (0.49), and weighted F1 of 0.69 (0.74). In the FFSL stage, client-specific models reached an average balanced accuracy of 0.77, Cohen's kappa of 0.62, and weighted F1 of 0.73 across four sites with heterogeneous event distributions. These results suggest that FFSL can support effective patient-adaptive seizure detection under realistic data-availability and privacy constraints.
• Abstract（参考訳）: 脳波に基づく発作検出のための多くのディープラーニングアプローチが開発されているが、ほとんどの場合、大規模な集中型アノテートデータセットへのアクセスに依存している。 臨床実践では、脳波データは希少であり、患者固有の組織に分散し、データプーリングを禁止する厳格なプライバシー規制によって管理される。 その結果、実世界の医療環境では、AIベースの発作検出モデルを作成することは依然として困難である。 これらの制約に対処するため,脳波による発作検出のための2段階のフェデレーション・ショット・ラーニング(FFSL)フレームワークを提案する。 この方法は6つのEEGイベントクラスを含むTUH Event Corpusでトレーニングされ評価される。 ステージ1では,非IID模擬病院において,脳波記録を集中化せずに共有表現学習が可能となるBIOT(Pretrained Biosignal Transformer)が,フェデレートラーニングを用いて微調整される。 ステージ2では、フェデレートされた数発のパーソナライゼーションが5つのEEGセグメントのみを使用して各患者に適応し、クロスサイト知識の恩恵を受けながら発作特異的情報を保持する。 フェデレートされた微調整は0.43(中央値0.52)、コーエンのカッパ0.42(0.49)、重み付きF1(0.69(0.74)のバランス精度を達成した。 FFSLの段階では、クライアント固有のモデルの平均平衡精度は0.77、コーエンのカッパは0.62、重み付きF1は4つの場所で不均一な事象分布を持つ。 これらの結果から,FFSLは現実的なデータ利用性とプライバシの制約の下で,効果的な患者適応型発作検出を支援することが示唆された。

関連論文リスト

• MedHE: Communication-Efficient Privacy-Preserving Federated Learning with Adaptive Gradient Sparsification for Healthcare [0.0]
  本稿では,適応勾配スペーシフィケーションとCKKSの同型暗号化を組み合わせた新しいフレームワークであるMedHEについて述べる。 提案手法では, モデルユーティリティを保ちながら, 97.5パーセントの通信削減を実現し, エラー補償を施した動的しきい値機構を導入している。
  論文  参考訳（メタデータ） (2025-11-12T06:50:48Z)
• Federated Learning for Epileptic Seizure Prediction Across Heterogeneous EEG Datasets [2.5069344340760717]
  本稿では,4つのパブリックデータセット(Siena,CHB-MIT,Helsinki,NCH)にまたがる単一EEGチャネルを用いた発作予測のためのFLについて検討する。 プライバシ保護のグローバルな正規化を実装し,各クライアントがラウンドごとのデータの固定サイズのランダムサブセットをトレーニングし,アグリゲーション中に同等のコントリビューションを確保するランダムサブセットアグリゲーション戦略を提案する。 以上の結果から, 局所学習モデルではサイト全体の一般化が困難であり, 標準重み付きFedAvgは高度に歪んだ性能が得られる(CHB-MITでは89.0%, ヘルシンキでは50.8%, NCHでは50.6%)。
  論文  参考訳（メタデータ） (2025-08-11T16:36:31Z)
• PySeizure: A single machine learning classifier framework to detect seizures in diverse datasets [0.0]
  我々は、様々な臨床データセット間で堅牢な発作検出を可能にする、革新的なオープンソースの機械学習フレームワークを導入する。 堅牢性を高めるため、このフレームワークは自動前処理パイプラインを組み込んで、データの標準化と過半数の投票機構を備えている。 データセット内のモデルをトレーニングし、チューニングし、評価し、データセット間の転送可能性を評価します。
  論文  参考訳（メタデータ） (2025-08-10T09:12:29Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Exploring traditional machine learning for identification of pathological auscultations [0.39577682622066246]
  各種機械学習シナリオにおいて,45例のデジタル6チャンネル聴取を行った。 目的は,正常な肺と異常な肺の音を区別することであった。 監視されていないモデルよりも一貫した優位性を示した。
  論文  参考訳（メタデータ） (2022-09-01T18:03:21Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• 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)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。