Fugu-MT 論文翻訳(概要): A federated learning framework with knowledge graph and temporal transformer for early sepsis prediction in multi-center ICUs

論文の概要: A federated learning framework with knowledge graph and temporal transformer for early sepsis prediction in multi-center ICUs

arxiv url: http://arxiv.org/abs/2603.15651v1
Date: Fri, 06 Mar 2026 06:57:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-23 08:17:42.34338
Title: A federated learning framework with knowledge graph and temporal transformer for early sepsis prediction in multi-center ICUs
Title（参考訳）: 多施設ICUにおける早期敗血症予測のための知識グラフと時間変換器を用いた連合学習フレームワーク
Authors: Yue Chang, Guangsen Lin, Jyun Jie Chuang, Shunqi Liu, Xinkui Li, Yaozheng Li,
Abstract要約: 集中治療室(ICU)患者の敗血症早期予測は生存率の向上に不可欠である。本稿では,統合学習(FL)を医療知識グラフと時間変換モデルに統合する新しいフレームワークを提案する。本手法により,患者データを共有することなく,複数病院間の協調モデルトレーニングが可能となり,プライバシの保護が可能となった。
参考スコア（独自算出の注目度）: 2.601005560500953
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The early prediction of sepsis in intensive care unit (ICU) patients is crucial for improving survival rates. However, the development of accurate predictive models is hampered by data fragmentation across healthcare institutions and the complex, temporal nature of medical data, all under stringent privacy constraints. To address these challenges, we propose a novel framework that uniquely integrates federated learning (FL) with a medical knowledge graph and a temporal transformer model, enhanced by meta-learning capabilities. Our approach enables collaborative model training across multiple hospitals without sharing raw patient data, thereby preserving privacy. The model leverages a knowledge graph to incorporate structured medical relationships and employs a temporal transformer to capture long-range dependencies in clinical time-series data. A model-agnostic meta-learning (MAML) strategy is further incorporated to facilitate rapid adaptation of the global model to local data distributions. Evaluated on the MIMIC-IV and eICU datasets, our method achieves an area under the curve (AUC) of 0.956, which represents a 22.4% improvement over conventional centralized models and a 12.7% improvement over standard federated learning, demonstrating strong predictive capability for sepsis. This work presents a reliable and privacy-preserving solution for multi-center collaborative early warning of sepsis.
Abstract（参考訳）: 集中治療室(ICU)患者の敗血症の早期予測は生存率の向上に不可欠である。しかし、正確な予測モデルの開発は、医療機関間でのデータ断片化と、医療データの複雑な時間的性質によって妨げられている。これらの課題に対処するため,メタラーニング機能によって強化された医療知識グラフと時間変圧器モデルとをフェデレートラーニング(FL)と一意に統合する新しいフレームワークを提案する。本手法により,患者データを共有することなく,複数病院間の協調モデルトレーニングが可能となり,プライバシの保護が可能となった。このモデルは知識グラフを利用して構造化された医療関係を取り込み、時間変換器を用いて臨床時系列データの長距離依存関係をキャプチャする。さらに,グローバルモデルの局所データ分散への迅速な適応を促進するため,モデル非依存型メタラーニング(MAML)戦略を取り入れた。本手法はMIMIC-IVおよびeICUデータセットに基づいて,従来の集中型モデルよりも22.4%,標準的フェデレート学習より12.7%向上し,セプシスの強い予測能力を示す0.956の曲線下領域(AUC)を達成する。本研究は,セプシスの早期警告を多施設共同で行う上で,信頼性とプライバシ保護のソリューションを提案する。

関連論文リスト

Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
論文参考訳（メタデータ） (2026-01-12T15:03:53Z)
Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
論文参考訳（メタデータ） (2025-10-24T15:56:40Z)
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)
Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data [0.46040036610482665]
マルチモーダルEHRデータから患者類似性グラフを構築する類似性に基づく自己構築グラフモデル(SBSCGM)を提案する。 HybridGraphMedGNNアーキテクチャは、患者死亡率と連続臨界スコアを予測するために、このグラフ上で動作する。我々のフレームワークは、クリティカルケアリスク予測のためのスケーラブルで解釈可能なソリューションを提供し、実際のICUデプロイメントで臨床医を支援する可能性がある。
論文参考訳（メタデータ） (2025-08-01T13:25:04Z)
Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文参考訳（メタデータ） (2025-01-30T06:49:57Z)
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)
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)
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)
Feature-context driven Federated Meta-Learning for Rare Disease Prediction [5.841823822793997]
本稿では,フェデレートされたメタラーニングに基づく,まれな疾患予測のための新しいアプローチを提案する。提案手法は,従来のフェデレーションメタ学習アルゴリズムの精度と高速化に優れることを示す。
論文参考訳（メタデータ） (2021-12-29T02:18:43Z)

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。