論文の概要: Federated Continual Learning for Privacy-Preserving Hospital Imaging Classification

• arxiv url: http://arxiv.org/abs/2601.06742v1
• Date: Sun, 11 Jan 2026 01:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.96278
• Title: Federated Continual Learning for Privacy-Preserving Hospital Imaging Classification
• Title（参考訳）: プライバシ保存型病院画像分類のためのフェデレーション連続学習
• Authors: Anay Sinhal, Arpana Sinhal, Amit Sinhal,
• Abstract要約: 本稿では, DP-Fed EPC (Differentially Private Federated Elastic Prototype Consolidation, DP-Fed EPC) を紹介する。 DP-Fed EPCは、以前のタスクで重要と考えられていた校正パラメータに沿って更新を制限し、潜在プロトタイプのメモリは、生画像を保存することなくクラス構造を保存する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for radiology interpretation increasingly rely on multi-institutional data, yet privacy regulations and distribution shift across hospitals limit central data pooling. Federated learning (FL) allows hospitals to collaboratively train models without sharing raw images, but current FL algorithms typically assume a static data distribution. In practice, hospitals experience continual evolution in case mix, annotation protocols, and imaging devices, which leads to catastrophic forgetting when models are updated sequentially. Federated continual learning (FCL) aims to reconcile these challenges but existing methods either ignore the stringent privacy constraints of healthcare or rely on replay buffers and public surrogate datasets that are difficult to justify in clinical settings. We study FCL for chest radiography classification in a setting where hospitals are clients that receive temporally evolving streams of cases and labels. We introduce DP-FedEPC (Differentially Private Federated Elastic Prototype Consolidation), a method that combines elastic weight consolidation (EWC), prototype-based rehearsal, and client-side differential privacy within a standard FedAvg framework. EWC constrains updates along parameters deemed important for previous tasks, while a memory of latent prototypes preserves class structure without storing raw images. Differentially private stochastic gradient descent (DP-SGD) at each client adds calibrated Gaussian noise to clipped gradients, providing formal privacy guarantees for individual radiographs.
• Abstract（参考訳）: 放射線学解釈のための深層学習モデルは、多施設のデータにますます依存している。 フェデレートラーニング(FL)は、病院が生画像を共有することなく、協力的にモデルを訓練することを可能にするが、現在のFLアルゴリズムは通常、静的なデータ配信を前提としている。 実際には、病院はケースミックス、アノテーションプロトコル、イメージングデバイスで継続的な進化を経験しており、モデルが逐次更新されたときに破滅的な忘れを招きます。 FCL(Federated Continuousal Learning)は、これらの課題の解決を目的としているが、既存の方法は、医療の厳しいプライバシー制約を無視したり、リプレイバッファや、臨床環境では正当化が難しいデータセットに依存している。 胸部X線写真分類のためのFCLについて,病院が時間的に変化する症例やラベルのストリームを受信するクライアントである環境で検討した。 本稿では, DP-FedEPC (Differentially Private Federated Elastic Prototype Consolidation, EWC), プロトタイプベースリハーサル, クライアント側差分プライバシを標準FedAvgフレームワーク内で組み合わせた手法を紹介する。 EWCは、以前のタスクで重要とされるパラメータに沿って更新を制限し、潜在プロトタイプのメモリは、生画像を保存することなくクラス構造を保存する。 各クライアントでの個人確率勾配勾配(DP-SGD)は、カットされた勾配に校正されたガウスノイズを追加し、個々のラジオグラフに対して正式なプライバシー保証を提供する。

関連論文リスト

• An Enhanced Privacy-preserving Federated Few-shot Learning Framework for Respiratory Disease Diagnosis [4.901986217155185]
  本研究は,限られたラベル付きデータの問題に対処し,呼吸器疾患の診断におけるプライバシ保護を行うための,プライバシ保護機構を備えた,フェデレーション付き数ショット学習フレームワークを提案する。 重み付き平均アルゴリズムを用いて、異なるクライアントからの局所診断モデルを集約し、様々なシナリオにおけるモデルの適応性を高める。
  論文  参考訳（メタデータ） (2025-07-10T07:47:58Z)
• FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation [2.864354559973703]
  本稿では,医用画像データの分散特性とプライバシ感受性について,フェデレート学習フレームワークを用いて検討する。 提案手法であるFedDPは,がん画像データのプライバシーを効果的に保護しつつ,モデルの精度に最小限の影響を与える。
  論文  参考訳（メタデータ） (2024-11-07T08:02:58Z)
• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Cluster Based Secure Multi-Party Computation in Federated Learning for Histopathology Images [0.0]
  フェデレートラーニング(Federated Learning, FL)は、病院が個人患者データを訓練のために共有することなく、協力的にモデルを学習できる分散型の方法である。 FLでは、患者病院は、中央サーバーでサンプルをトレーニングするよりも、定期的にトレーニング結果を交換する。 提案手法では,各病院をクラスタに分割し,各病院のモデル重量を同一クラスタに分割し,各病院が受信した重量を合計し,その結果を中央サーバに送信する。 最後に、中央サーバが結果を集約し、個々の病院の重量にアクセスすることなく、モデルの重量平均を検索し、モデルを更新する。
  論文  参考訳（メタデータ） (2022-08-21T23:56:28Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
  本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。 本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T14:47:19Z)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)

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。