Fugu-MT 論文翻訳(概要): A Hybrid Federated Learning Based Ensemble Approach for Lung Disease Diagnosis Leveraging Fusion of SWIN Transformer and CNN

論文の概要: A Hybrid Federated Learning Based Ensemble Approach for Lung Disease Diagnosis Leveraging Fusion of SWIN Transformer and CNN

arxiv url: http://arxiv.org/abs/2602.17566v1
Date: Thu, 19 Feb 2026 17:22:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-20 15:21:29.236359
Title: A Hybrid Federated Learning Based Ensemble Approach for Lung Disease Diagnosis Leveraging Fusion of SWIN Transformer and CNN
Title（参考訳）: SWIN変換器とCNNの融合を利用した肺疾患診断のためのハイブリッド・フェデレート学習に基づくアンサンブルアプローチ
Authors: Asif Hasan Chowdhury, Md. Fahim Islam, M Ragib Anjum Riad, Faiyaz Bin Hashem, Md Tanzim Reza, Md. Golam Rabiul Alam,
Abstract要約: 我々は、フェデレート学習に基づくハイブリッドAIモデルが、患者の疾患診断と重症度予測の精度をいかに向上させるかについて論じる。提案したハイブリッドモデルは、X線レポートに基づいて、COVID-19と肺炎の検出を可能にする。
参考スコア（独自算出の注目度）: 0.5233775397457062
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The significant advancements in computational power cre- ate a vast opportunity for using Artificial Intelligence in different ap- plications of healthcare and medical science. A Hybrid FL-Enabled Ensemble Approach For Lung Disease Diagnosis Leveraging a Combination of SWIN Transformer and CNN is the combination of cutting-edge technology of AI and Federated Learning. Since, medi- cal specialists and hospitals will have shared data space, based on that data, with the help of Artificial Intelligence and integration of federated learning, we can introduce a secure and distributed system for medical data processing and create an efficient and reliable system. The proposed hybrid model enables the detection of COVID-19 and Pneumonia based on x-ray reports. We will use advanced and the latest available tech- nology offered by Tensorflow and Keras along with Microsoft-developed Vision Transformer, that can help to fight against the pandemic that the world has to fight together as a united. We focused on using the latest available CNN models (DenseNet201, Inception V3, VGG 19) and the Transformer model SWIN Transformer in order to prepare our hy- brid model that can provide a reliable solution as a helping hand for the physician in the medical field. In this research, we will discuss how the Federated learning-based Hybrid AI model can improve the accuracy of disease diagnosis and severity prediction of a patient using the real-time continual learning approach and how the integration of federated learn- ing can ensure hybrid model security and keep the authenticity of the information.
Abstract（参考訳）: 計算能力の大幅な進歩は、医療と医学のさまざまな側面において人工知能を使用する大きな機会を生んだ。 SWIN変換器とCNNを組み合わせた肺疾患診断のためのハイブリッドFL-Enabled Ensemble Approachは、AIとフェデレートラーニングの最先端技術の組み合わせである。メディカルカルカルスペシャリストと病院は、そのデータに基づいてデータ空間を共有し、人工知能とフェデレーションラーニングの統合によって、医療データ処理のためのセキュアで分散システムを導入し、効率的で信頼性の高いシステムを構築することができる。提案したハイブリッドモデルは、X線レポートに基づいて、COVID-19と肺炎の検出を可能にする。私たちは、Microsoftが開発したVision Transformerとともに、TensorflowとKerasによって提供される最新の技術ノロジーを使用します。我々は,最新のCNNモデル(DenseNet201, Inception V3, VGG 19)とTransformerモデルSWIN Transformerを使用して,医療分野における医師の助けとなる信頼性の高いソリューションを提供するハイブリドモデルを作成することに注力した。本研究では,フェデレート学習に基づくハイブリッドAIモデルが,リアルタイム連続学習アプローチを用いて患者の疾患診断と重症度予測の精度をいかに向上させるか,また,フェデレーション学習の統合によってハイブリッドモデルのセキュリティが確保され,情報の信頼性が維持されるかについて議論する。

関連論文リスト

A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-01-29T18:48:21Z)
Federated Transformer-GNN for Privacy-Preserving Brain Tumor Localization with Modality-Level Explainability [0.2683233968306505]
本稿では,脳腫瘍の局所化のための統合学習フレームワークを提案する。提案手法は,従来のデコーダフリースーパーボクセルGNNから派生したハイブリッドトランスフォーマー-グラフニューラルネットワークアーキテクチャを拡張した。本稿では,トランスフォーマーのアテンション機構による説明可能性解析を行い,MRIのモーダルティがモデル予測を駆動することを示す。
論文参考訳（メタデータ） (2026-01-21T14:46:00Z)
A Model-Driven Engineering Approach to AI-Powered Healthcare Platforms [0.03262230127283451]
医療AIに特化したモデル駆動工学(MDE)フレームワークを導入する。フレームワークは、フォーマルなメタモデル、ドメイン固有言語、そして、ハイレベルな仕様から実行中のソフトウェアに移行するための自動変換に依存しています。マルチセンター癌免疫療法研究において,本手法について検討した。
論文参考訳（メタデータ） (2025-10-10T12:00:12Z)
Federated Learning for Large Models in Medical Imaging: A Comprehensive Review [25.44185462360892]
高性能AIモデルは一般的に、大規模な集中型データセットのトレーニングを必要とする。これらの制限は、医療領域における大規模なモデルの開発を妨げる。 Federated Learningは、断片化された医療データセット間で協調的なモデル開発を可能にすることで、新しいソリューションを提供する。
論文参考訳（メタデータ） (2025-08-28T04:31:41Z)
impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
論文参考訳（メタデータ） (2025-08-08T10:01:16Z)
Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
論文参考訳（メタデータ） (2024-10-23T00:31:17Z)
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)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
MedViT: A Robust Vision Transformer for Generalized Medical Image Classification [4.471084427623774]
我々は,CNNの局所性と視覚変換器のグローバル接続性を備えた,頑健で効率的なCNN-Transformerハイブリッドモデルを提案する。提案したハイブリッドモデルは,MedMNIST-2Dデータセットの大規模コレクションに関する最先端の研究と比較して,高い堅牢性と一般化能力を示す。
論文参考訳（メタデータ） (2023-02-19T02:55:45Z)
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)

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。