論文の概要: Personalized Longitudinal Medical Report Generation via Temporally-Aware Federated Adaptation

• arxiv url: http://arxiv.org/abs/2602.19668v1
• Date: Mon, 23 Feb 2026 10:14:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.763256
• Title: Personalized Longitudinal Medical Report Generation via Temporally-Aware Federated Adaptation
• Title（参考訳）: 時間的適応による個人化縦断医療報告の生成
• Authors: He Zhu, Ren Togo, Takahiro Ogawa, Kenji Hirata, Minghui Tang, Takaaki Yoshimura, Hiroyuki Sugimori, Noriko Nishioka, Yukie Shimizu, Kohsuke Kudo, Miki Haseyama,
• Abstract要約: FedTARは、人口動態に基づくパーソナライズと、タイムアウェアなグローバルアグリゲーションを統合するフレームワークである。 J-MID (1M 試験) とMIMIC-CXR の実験は, 言語的精度, 時間的コヒーレンス, クロスサイト一般化において一貫した改善を示した。
• 参考スコア（独自算出の注目度）: 43.13545436728014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal medical report generation is clinically important yet remains challenging due to strict privacy constraints and the evolving nature of disease progression. Although federated learning (FL) enables collaborative training without data sharing, existing FL methods largely overlook longitudinal dynamics by assuming stationary client distributions, making them unable to model temporal shifts across visits or patient-specific heterogeneity-ultimately leading to unstable optimization and suboptimal report generation. We introduce Federated Temporal Adaptation (FTA), a federated setting that explicitly accounts for the temporal evolution of client data. Building upon this setting, we propose FedTAR, a framework that integrates demographic-driven personalization with time-aware global aggregation. FedTAR generates lightweight LoRA adapters from demographic embeddings and performs temporal residual aggregation, where updates from different visits are weighted by a meta-learned temporal policy optimized via first-order MAML. Experiments on J-MID (1M exams) and MIMIC-CXR demonstrate consistent improvements in linguistic accuracy, temporal coherence, and cross-site generalization, establishing FedTAR as a robust and privacy-preserving paradigm for federated longitudinal modeling.
• Abstract（参考訳）: 長期医療報告の生成は臨床的に重要であるが、厳格なプライバシー制約と疾患進行の進展により、依然として困難である。 FL(Federated Learning)はデータ共有のない協調学習を可能にするが、既存のFL手法は、定常的なクライアント分布を仮定することで、時間的変化や患者固有の不均一性をモデル化することができず、不安定な最適化と準最適レポート生成に繋がる。 FTA(Federated Temporal Adaptation)は、クライアントデータの時間的進化を明示的に説明するフェデレーション設定である。 この設定に基づいて、人口動態に基づくパーソナライズと時間認識のグローバルアグリゲーションを統合するフレームワークであるFedTARを提案する。 FedTARは、人口動態の埋め込みから軽量なLoRAアダプタを生成し、時間的残留アグリゲーションを実行し、異なる訪問からの更新は、一階のMAMLによって最適化されたメタ学習時間ポリシーによって重み付けされる。 J-MID(1M試験)とMIMIC-CXRの実験では、言語精度、時間的コヒーレンス、クロスサイト一般化が一貫した改善を示し、FedTARを連邦縦断モデリングのための堅牢でプライバシー保護のパラダイムとして確立した。

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)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• MIRA: Medical Time Series Foundation Model for Real-World Health Data [39.55921588296102]
  医用時系列の統一基盤モデルは、アノテーションの負担を軽減し、モデルのカスタマイズを最小化し、堅牢な転送を可能にする。 医療時系列の予測に特化して設計された統合基盤モデルであるMIRAを紹介する。 MIRAは、他のゼロショットベースラインや微調整ベースラインと比較して、アウト・オブ・ディストリビューションとイン・ディストリビューションのシナリオで平均10%と7%の誤差を予測できる。
  論文  参考訳（メタデータ） (2025-06-09T09:27:17Z)
• FedMetaMed: Federated Meta-Learning for Personalized Medication in Distributed Healthcare Systems [7.32609591220333]
  パーソナライズドメディケーションのためのフェデレーションメタラーニング(FedMetaMed)について紹介する。 FedMetaMedは、フェデレーションラーニングとメタラーニングを組み合わせて、医療システム全体にわたる多様な患者データに適応するモデルを作成する。 我々は、FedMetaMedが最先端のFL法より優れ、最先端のコホートでも優れた一般化を示すことを示す。
  論文  参考訳（メタデータ） (2024-12-05T03:36:55Z)
• 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)

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。