Fugu-MT 論文翻訳(概要): MORPHFED: Federated Learning for Cross-institutional Blood Morphology Analysis

論文の概要: MORPHFED: Federated Learning for Cross-institutional Blood Morphology Analysis

arxiv url: http://arxiv.org/abs/2601.04121v1
Date: Wed, 07 Jan 2026 17:32:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-08 18:12:46.219475
Title: MORPHFED: Federated Learning for Cross-institutional Blood Morphology Analysis
Title（参考訳）: MORPHFED: 組織間血液形態解析のためのフェデレートラーニング
Authors: Gabriel Ansah, Eden Ruffell, Delmiro Fernandez-Reyes, Petru Manescu,
Abstract要約: 低所得国と中所得国(LMICs)における血液学的診断を支援する自動血液形態解析この多様性を捉えるために集中的なデータセットを構築することは、プライバシ規制とデータ共有の制限のためにしばしば実現不可能である。本研究では,白血球形態解析のための統合学習フレームワークを導入し,トレーニングデータを交換することなく組織間の協調トレーニングを可能にする。
参考スコア（独自算出の注目度）: 0.19573380763700718
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Automated blood morphology analysis can support hematological diagnostics in low- and middle-income countries (LMICs) but remains sensitive to dataset shifts from staining variability, imaging differences, and rare morphologies. Building centralized datasets to capture this diversity is often infeasible due to privacy regulations and data-sharing restrictions. We introduce a federated learning framework for white blood cell morphology analysis that enables collaborative training across institutions without exchanging training data. Using blood films from multiple clinical sites, our federated models learn robust, domain-invariant representations while preserving complete data privacy. Evaluations across convolutional and transformer-based architectures show that federated training achieves strong cross-site performance and improved generalization to unseen institutions compared to centralized training. These findings highlight federated learning as a practical and privacy-preserving approach for developing equitable, scalable, and generalizable medical imaging AI in resource-limited healthcare environments.
Abstract（参考訳）: 自動血液形態解析は、低所得国と中所得国(LMICs)の血液学的診断をサポートすることができるが、染色性、画像の違い、希少な形態からのデータセットシフトに敏感である。この多様性を捉えるために集中的なデータセットを構築することは、プライバシ規制とデータ共有の制限のためにしばしば実現不可能である。本研究では,白血球形態解析のための統合学習フレームワークを導入し,トレーニングデータを交換することなく組織間の協調トレーニングを可能にする。複数の臨床現場の血液膜を用いて、当社のフェデレートされたモデルは、完全なデータのプライバシーを維持しながら、堅牢なドメイン不変表現を学習する。畳み込み型およびトランスフォーマー型アーキテクチャによる評価から,連合型トレーニングは,集中型トレーニングと比較して,強靭なクロスサイトパフォーマンスを実現し,目に見えない機関への一般化を向上することが示された。これらの知見は、リソースに制限された医療環境において、公平でスケーラブルで一般化可能な医療画像AIを開発するための実践的でプライバシー保護のアプローチとして、フェデレーションドラーニングを強調している。

関連論文リスト

Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
論文参考訳（メタデータ） (2025-12-19T10:17:00Z)
Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文参考訳（メタデータ） (2025-10-05T12:35:01Z)
Adversarial Versus Federated: An Adversarial Learning based Multi-Modality Cross-Domain Federated Medical Segmentation [30.99222543580891]
フェデレーション学習は、異なるクライアント間で機械学習モデルの協調トレーニングを可能にする。我々は新しいフェデレーションドメイン適応(FedDA)セグメンテーショントレーニングフレームワークを提案する。提案するFedDAは、クロスドメインのフェデレーションアグリゲーションを実現し、クロスモダリティ処理機能を備えた単一モダリティクライアントを実現する。
論文参考訳（メタデータ） (2025-09-28T14:26:04Z)
IRS: Incremental Relationship-guided Segmentation for Digital Pathology [13.534959964309895]
時間的に取得された部分的注釈付きデータに対処するインクリメンタルリレーション誘導学習方式 IRSは、病理学的セグメンテーションのマルチスケールな性質を効果的に扱う。 IRSは、現実世界のデジタル病理アプリケーションにとって堅牢なアプローチである。
論文参考訳（メタデータ） (2025-05-28T20:41:56Z)
Mixture of Multicenter Experts in Multimodal AI for Debiased Radiotherapy Target Delineation [40.85439754751206]
本稿では,医療分野におけるAIバイアスに対処するために,機関間のデータ共有を必要とせず,マルチセンターエキスパートの混在(Mixture of Multicenter Experts, MoME)フレームワークを提案する。 MoMEは、様々な臨床戦略から専門的な専門知識を統合し、医療センター全体のモデル一般化可能性と適応性を高める。
論文参考訳（メタデータ） (2024-09-27T19:28:30Z)
Transfer Learning with Clinical Concept Embeddings from Large Language Models [4.838020198075334]
大言語モデル (LLMs) は, 臨床的概念の意味を捉える重要な可能性を示している。本研究では,2つの大規模医療システムからの電子健康記録を分析し,セマンティック埋め込みが局所的,共有的,移動的学習モデルに与える影響を評価する。
論文参考訳（メタデータ） (2024-09-20T20:50:55Z)
Modular Clinical Decision Support Networks (MoDN) -- Updatable, Interpretable, and Portable Predictions for Evolving Clinical Environments [46.434488407226155]
我々はModular Clinical Decision Support Networks (MoDN)を提案する。 MoDNは、IIOデータセット間で柔軟なプライバシ保護学習を可能にする。患者の動的パーソナライズされた表現を生成し、診断の複数の予測を行うことができる。
論文参考訳（メタデータ） (2022-11-12T11:10:46Z)
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)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)
Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文参考訳（メタデータ） (2020-01-16T04:49:33Z)

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。